随着计算机科学的逐步成熟和信息社会需求的提高,人们需要在日益庞大的信息中发现对决策有用的知识,数据挖掘作为一门新兴的交叉学科应运而生;随着信息技术的高速发展和互联网逐渐深入和广泛的应用,人们所面对的信息越来越多地包含以流的形式产生的数据,数据挖掘不仅仅需要处理存放在数据库中的那些“过时”的静态数据,而且面对着一种新的数据形式——在线实时数据流。数据流是由一系列连续且有序的数据组成的序列,具有数据量无限、到达速度快、不可再现等特点。因此,如何有效地处理数据流,成为数据挖掘面临的新挑战,也得到这一研究领域的广泛关注。由于存储空间的有限性与数据流的无限性,使得存储数据流中的全部数据以提供精确的挖掘结果是不实际的。因此,在数据流处理模型中,数据流挖掘算法只存储数据流的概要信息,并随着流中数据不断到来,不断更新流概要,同时根据用户的查询要求,利用所维护的数据流概要信息,为用户提供近似的查询结果。数据挖掘中聚类分析是一个重要的课题,并在数据挖掘的发展趋势中发挥着重要的作用。数据挖掘技术是面向应用的,它最终需要应用到现实世界中的数据上,而真实数据往往具备许多属性,这就造成数据挖掘所处理的往往是多维数的数据。针对数据的多维性,不同的聚类算法采取了不同的处理技术。针对多维数据流的聚类算法必须满足更高的要求,在处理多维数数据的同时,还要保证算法的时间、空间效率以适应数据流。对此,本文主要进行具有多维数的数据流环境下的聚类分析方法的研究,研究内容可概括为以下三个方面:(1)针对多维数据流的特点,探讨了数据流挖掘中的窗口机制,分析了典型的多维数据流聚类算法Cell Tree算法的优缺点,提出了一种新的内存模型结构LIST TREE。(2)基于数据结构LIST TREE提出一种新的多维数据流聚类算法LTC,并利用多线程编程方法极大程度地模拟在线处理数据流,以检验新算法。(3)对Cell Tree算法和LTC算法进行了对比实验,通过对实验结果详细全面的比较,分析了这两个算法的效率和聚类效果。实验表明,LTC算法不仅对数据流具有良好的适应性,而且比Cell Tree算法具有更高的时间、空间效率,并且达到了更好的聚类效果。因此,LTC算法在数据流挖掘领域具有重要的研究价值和意义。