在数据挖掘领域中，子空间聚类是一个重要的研究方向，它在众多领域有着广泛的应用。传统的聚类算法直接在原始数据空间进行聚类，但是由于原始空间数据的稀疏性，直接进行聚类不能获得理想的聚类结果。针对上述问题，本文重点研究基于有效空间寻找的子空间聚类算法和基于临界网格检测的数据流子空间聚类算法。首先，分析了子空间聚类算法的要求，接下来分析了数据降维的方法，最后分析了经典的子空间聚类算法，包括自顶向下的聚类方法和自底向上的聚类方法，并指出算法的优缺点。其次，针对基于网格的算法在识别簇的过程中，把簇的边界网格当作稀疏网格舍弃的问题，提出了基于有效空间寻找的子空间聚类算法。算法首先根据相对熵来得到有效维；然后采用自底向上的方法来寻找有效空间，在这个过程中除了使用簇标准的单调性剪枝以外，还使用了基于无向连通图的剪枝方法；最后在有效空间上使用基于密度的聚类算法来识别簇。再次，针对网格划分不当导致多个簇被误识别为一个簇的问题，提出基于临界网格检测的数据流子空间聚类算法。算法由在线阶段和离线阶段组成。在线阶段，算法首先根据相对熵得到有效维；然后根据有效维之间的相关性和位向量来生成子空间；最后将数据投影到网格并更新网格特征向量。离线阶段，当有聚类请求的时候，自适应地计算网格密集阈值，并通过计算中心度和吸引度来对临界网格进行识别，生成聚类结果。最后，对本文提出的算法采用java语言编程实现，采用真实数据集和合成数据集对算法的聚类质量和可伸缩性进行验证，并对实验结果进行了分析和比较。