近年来,流数据分析已成为数据挖掘领域研究的热点,其发展非常迅速,但当前大多数的流聚类算法都是线性的,在现实世界中这些线性的聚类算法并不能达到令人满意的聚类质量。因此,如何让真实世界中的数据有更高的聚类质量是当前亟待解决的问题。针对上述问题,提出一种基于核方法的高效率聚类算法。首先,利用重要性采样的方法来采集数据流中的子集,并用样本点构造其核矩阵;其次,利用样本点的皮尔森相关系数的计量方法对核矩阵中的点进行实时的聚类,得到一个带有标记的样本核矩阵,利用该矩阵对数据流中的点进行划分,将其投影到顶部特征向量所跨越的高维空间中;最后,利用核模糊c均值将高维空间数据点映射到低维空间中得到聚类结果,并用衰退聚类机制进行更新。数据集实验测试结果表明,本文算法与传统聚类算法相比,评价指标中SSE相对较低,ARI、NMI相对较高,而且能够实现实时聚类,有效避免数据处理过程中的维数灾难。综上,本文算法仅需从数据流中采样少量的样本点,所产生的近似误差具有较好的有界性,同时使用核方法使得数据点在特征空间之中变得线性可分。而且有效地减少了调整复杂参数的需要,同时与传统基于内核的聚类算法在同等条件下相比,加速效果显著,具有更高的效率。本论文有图33幅,表13个,参考文献54篇。