数据挖掘就是从海量含有噪声和不规律的数据中,提取隐含在其中有趣的但并不为人们所知道的信息、规律或知识的过程。在数据挖掘领域,聚类已经在模式识别、图像处理和市场研究等领域中得到广泛地应用,所以对聚类的研究有着重要的理论与实践的意义。在聚类分析中,虽然现有的很多聚类算法能发现任意形状、任意大小的类,但用于多密度的数据集时却难以取得令人满意的结果。为提高对多密度数据集的聚类效果,文章从以下几个方面进行了研究:(1)首先简要的概述了数据挖掘的一些基本知识,同时对数据挖掘过程中的一些数据预处理方法做了简单必要的介绍。最后分析了一些常见的聚类算法的特点以及对比它们的优缺点。(2)在基于网格的聚类分析中,网格划分的方法对聚类的结果有着重要的影响,本文对网格划分方法进行了比较系统的论述,介绍了在不同网格划分方法的特点。在进行聚类分析时,网格边界点的处理对聚类的精度也有着一定的影响,所以文章又分析了几种不同的网格边界点的处理方法,并提出了一种新的网格边界点的处理方法。(3)文章在优化信息熵的基础上,提出了一种基于网格和信息熵的多密度聚类算法,它根据不同密度的网格所携带的信息熵,自动计算出密度阈值,找出在多密度数据集中不同的类。实验证明,该算法能有效的去除噪声,发现多密度的类,具有较好的聚类效果。最后,将提出的一种基于网格和信息熵的多密度聚类算法应用在图像分割上。实验证明,这种聚类算法在图像分割中是有效的。