信息技术的高速发展让世界实现万物互联,同时也导致数据量呈指数倍快速增长的情况发生,并且与传统静态数据不一样的是,现在的数据具有实时、海量、易失等特点,我们称之为流数据。传统的聚类算法无法满足对这种流式数据的处理需求,所以,流数据聚类算法的研究变得尤为重要。随着分布式处理框架的出现,处理数据量大且实时的流数据变得越来越高效。同时,不同的聚类算法会产生不同的效果,如何针对某一特定数据类型的数据集合来选择最合适的算法,也是一个研究热点。针对以上几方面的问题,本文的研究工作如下:（1）对流数据聚类算法进行分析,研究其基本原理与优缺点,并介绍了其内部具体实现所需的传统聚类算法。分析了聚类有效性评价指标以及分布式计算平台。同时介绍了模糊多准则决策方法,包含模糊集、聚合算子、权重方法等内容。（2）针对CluStream算法存在的问题对其进行改进,提出了DD-CluStream算法,其中在线部分采用两阶段聚类的模式,分为远程节点聚类与中心节点聚类,并用基于密度的DBSCAN算法代替k-means算法。引入滑动窗口以及衰减函数,淘汰过期数据,为微簇赋予权重,降低旧簇对新到达数据的影响,并在每个窗口结束时由中心节点进行自适应调整,删除过期微簇和离群点数据,以提升聚类的效果。同时,在其离线宏聚层部分,通过基于密度峰值的DPCA算法来代替k-means算法,降低聚类结果的不稳定性,提高结果的准确度。（3）将DD-CluStream算法部署在Storm平台上进行并行化处理,并与其它三种流数据聚类算法进行比较,通过在分布式平台下聚类的执行时间、不同线程下的处理压力以及多种聚类评价指标值,验证算法在Storm平台下聚类的有效性以及分布式平台对流数据处理的优势。（4）建立算法评估与选优模型。将聚类有效性评价指标构成的评价矩阵用Pythagorean模糊集来表示,同时,通过离差最大法的客观权重与依据专家先验知识给出的主观权重组合成的综合权重为评价指标赋予不同的权重。然后根据基于Pythagorean模糊加权MSM聚合算子的决策方法对评价值进行聚合,并根据评分函数与准确率函数得出最终的综合评价值,以此来验证DD-CluStream算法的有效性以及针对某一数据集选择最优的聚类算法。