传统聚类算法中各个数据对象之间的相似度衡量标准一般是各种距离的度量,如欧几里德距离或者曼哈顿距离。在障碍空间中,由于障碍的存在,各个数据对象的连接性被阻断,它们之间的传统距离就失去了意义。因此,传统的聚类算法在障碍空间中失去了相似度判断的有效性,从而不能很好的工作。为此,已经有少数学者开始致力于障碍空间中聚类算法的研究。DBCO算法就是在此背景下致力于解决障碍空间中聚类算法的研究。总体来说,DBCO是基于密度的聚类算法,它主要集中于下面三个方面的研究。第一个方面是如何对障碍空间中的障碍进行模型化。模型化目的是使得障碍的表示形式化,利于数据对象的相互操作。模型化不应该以增加过多的数据预处理为代价。第二个方面是如何有效的判断障碍空间中各个数据对象之间的相似度。相似度的判断是聚类算法的核心部分。如何在障碍空间中消除障碍对相似度的影响,是障碍空间中聚类算法研究的一个核心环节。第三个方面是在实现上述两个方面的前提上如何有效的保证聚类算法的效率。效率是一个算法的重要衡量标准,障碍空间中的聚类算法在障碍建模、改变相似度判断标准的同时,不能增加过多的开销而影响算法的效率。在对障碍建模的同时对障碍模型进行简化,是减少数据预处理的有效办法。所建立的障碍模型简化方法具有简化行和完整性。新的相似度判断方法不仅保证了被障碍阻断联系的对象之间的不可达性,还保留了邻域沿着障碍上的连接点和端点方向上的扩展性。而选取领域中的部分代办点进行聚类扩展,能够很好的保证聚类算法在障碍空间中的聚类效率。