聚类分析是数据挖掘中一种基础且重要的方法,它能将特征属性比较相似的数据对象聚为一类从而反映数据的整体分布情况,因此被广泛应用于生物科学、环境监测、交通管理和金融分析等领域。随着无线感知器和智能应用设备的高速发展,越来越多的数据是以流的形式实时到达。这些数据流通常包含着大量有时效性且动态变化的信息,因此通过实时数据流聚类挖掘出数据流最近状态下的潜在价值信息是亟待解决的问题,从而为重大事件预警和关键实时决策等应用提供技术支撑。现有的数据流聚类算法通常采用两阶段（online-offline）流处理框架,然而在这种处理框架下的数据流聚类算法应用到实时场景中时仍旧面临着以下几个问题:（1）离线阶段的聚类执行不能够完全满足实时响应并调整聚类结果的基本要求;（2）无法自适应地调整聚类执行从而导致不必要的计算资源浪费;（3）缺少对历史信息的考量,大多流聚类算法更关注最近数据流的聚类情况;（4）虽然能够应对聚类演化但不能识别其具体演化形式,缺少对聚类结果在时间维度上的进一步挖掘。基于实时场景下不能完全实时响应和计算资源开销大的问题,本文将实时数据流自适应聚类作为基本研究目标。针对缺少历史信息考量的问题,提出了一种基于复合窗口的实时数据流自适应聚类算法（Adaptive Clustering Based on Composite Window for Real-time Data Stream,ACCW）;另外针对缺少聚类演化分析的问题,提出了一种基于网格的实时数据流自适应聚类及演化分析算法（Grid-Based Adaptive Clustering and Evolution Analysis for Real-time Data Stream,GACE）。ACCW通过复合窗口模型维护最近状态和历史状态信息,并利用历史状态信息来指导当前数据流聚类的执行;它能够自适应地调整聚类执行的间隔时间,并在实时流处理平台Flink上完成部署,从而实现在线调整并实时返回聚类结果来高效应对数据流的变化。GACE将聚类演化分析纳入到数据流处理过程中,它通过跟踪聚类中心的网格密度和漂移向量的变化来自动触发聚类执行;同时根据数据流的变化对聚类参数进行动态调整,从而可以高效获取更加完整可靠的聚类结果。最后,我们将上述两种流聚类算法整合,设计并实现了一个集可视化数据生成、数据流自适应聚类和聚类演化分析为一体的数据流聚类及演化分析系统,为用户执行与结果分析提供方便。本文相关研究成果可部署在现有主流的实时流处理系统中,具有重要的研究意义和应用价值。