空间聚类是空间数据挖掘中的一个重要的研究方向.空间数据聚类是要在一个较大的空间数据集中,根据距离的度量标识出簇,使得在同一个簇的对象尽可能相近,而不同簇间的对象彼此不相似.空间数据聚类在地理信息系统、遥感、医学图象处理、环境研究等领域有广泛的应用.最近关于聚类的研究主要都是针对算法的效率,而对聚类来说,更重要的是聚类结果的正确性,即聚类结果要保证质量和具有实用性.虽然目前已经提出了许多聚类算法,但对于在动态数据库中进行增量聚类的研究却很少,而在数据仓库等环境中运用增量聚类是比较合适的.该文针对具有代表性的密度聚类算法DBSCAN的不足,进一步考虑了对象的空间属性,提出了改进的聚类算法,改进算法能得到更好的聚类结果.并提出了在动态数据库中,基于密度聚类方法进行批量增量聚类挖掘的算法.首先,针对密度聚类算法DBSCAN对簇边界对象处理的不足,进一步考虑了对象的空间属性,在聚类时考虑对象方向关系的基础上提出了构成簇的边界对象的新定义,而在已有的空间聚类算法中都没有应用到对象的方向关系.新的定义更好地描述了簇边界对象的特征.并给出了符合提出定义的空间聚类算法,改进算法能在相同的时间和空间复杂度的条件下取得更有效的聚类结果,改进算法也消除了DBSCAN对数据输入顺序的敏感性.其次,基于密度聚类的概念,对增量聚类中动态数据库插入和删除对象的几种情况作了详细分析,并提出了有效的批量增量聚类算法.算法着重于根据基于密度聚类的方法的特性,以批量处理的模式提高增量聚类挖掘的效率.在已聚类数据集中,当有新对象插入或有对象要删除时,批量增量聚类算法能有效地更新原来挖掘出来的模式.最后,对提出的两个算法就时间复杂度和聚类结果的质量两方面进行了分析,并在模拟数据上进行了实验.实验表明,提出的改进聚类算法和批量增量聚类算法是正确和有效的.