数据流是一种数据访问方式的形象化表述，数据源源不断到达主动触发系统处理，系统一般只能访问数据一次，处理过程中要考虑数据权重。数据可表示属于同类事物的个体，也可表示不同个体随时间变化的状态值，故数据流又可分为单流和多流模型。数据挖掘是发现隐藏在大量数据背后的信息，着眼于数据从总体上表现出来的特征：数据在空间中的分布状态、数据的不同维度在取值上的伴生或依存关系等。数据流处理的一次扫描、权重问题以及数据量的潜在无限性等约束增加了对流数据进行查询和挖掘处理的难度。　　 聚类依据数据间的相似性将数据集划分为多个不同的簇，本文研究多维数据单流模型的聚类问题。考虑算法的可并行处理和数据挖掘的统一理论框架、突出聚类在数据挖掘中的基础性地位，采用空间划分的思想生成保存数据分布状态的概要数据结构，概要结构本身即表现出粗糙的聚类特征。基于概要数据结构的挖掘，对其中的关键技术和算法进行研究和实现。　　 首先，基于应用驱动的研究思路，从广义的数据流概念和具体应用中抽取出四种不同的数据流模型，给出数据流的形式化表示和界定本文所研究的数据流模型；第二，采用时空划分的思想，用网格保存时间粒度内数据的分布状态，用倾斜时间框架动态地生成和组织不同时间段的网格概要数据结构，研究基于网格重组织和最小时间粒度调整的内存需求控制策略；第三，研究大粒度空间划分的可容忍性，引进统计信息以获取网格单元内部数据的分布特征，探索相对大粒度空间划分的可行性，实验仿真大粒度划分过程，直观地演示其有效性；最后，设计基于时空划分和统计信息的数据流聚类处理框架，实现概要结构生成算法，仿真模拟数据流聚类特征的演化过程，验证概要结构生成算法的去噪音效能，测试概要结构不同表示法的执行时间、内存使用量，实验结果与理论分析一致。