随着信息技术的发展,数据流这一新的数据形式日益普及。传统聚类算法无法处理持续、海量的数据流,因此针对数据流的新聚类技术应运而生。在数据流聚类算法中,基于网格的数据流聚类算法在处理大规模数据时有着较高的效率。但这类算法存在着聚类边界丢失和易将相邻类合并的问题。论文采用双重网格划分和基于改进密度峰聚类(DPC)的网格合并解决上述问题,提出了基于网格密度峰值的数据流聚类算法(GDP-Stream),并将该算法应用于雷达信号分选领域。论文主要研究内容如下:(1)针对聚类边界丢失的问题,提出了双重网格划分。该划分方式将动态网格划分和静态网格划分结合。其中,动态网格有效处理聚类边界;静态网格过滤孤立点,并记录动态网格的相对位置信息,从而提高了相交动态网格求解速度。实验结果表明,该划分方式可以处理复杂形状的类,此外使聚类边界丢失的问题得到了明显缓解。(2)针对传统网格合并方式容易将相邻类合并的问题,提出了基于改进DPC的网格合并。该合并方式将密度峰聚类(DPC)的思想融入网格合并,把密度峰网格作为聚类中心,增强对数据空间的整体考量。同时针对DPC算法本身存在效率低的问题,采用基于密度极值的速度优化策略,减少了密度峰网格挖掘和非密度峰网格归类的时间。针对原始DPC易将复杂形状类或分布相对均匀的类被划分为多个类的问题,采用网格簇相似度对聚类结果进行优化。实验结果表明,该合并方法可以快速有效地区分相邻类。(3)提出了基于网格密度峰值的数据流聚类算法(GDP-Stream),使双重网格划分和基于改进DPC的网格合并可以动态地处理数据流。该算法分为两个阶段,在线阶段采用滑动窗口模型维护概要信息;离线阶段根据概要信息进行基于改进DPC的网格合并,快速聚类。实验结果表明,在KDD＿CUP99数据集上,GDP-Stream算法较D-Stream算法、Ex CC算法以及DP-Stream算法有着更高的精度和效率。(4)将GDP-Stream算法应用在雷达信号分选中。首先,通过对雷达信号特征参数的分析,采用更加稳定的特征参数进行主要的分选工作,增强复杂电磁环境中的分选能力。其次,增加PRI混合检测步骤,充分利用已知数据,进一步优化分选结果。实验结果表明,基于GDP-Stream的雷达信号分选算法在雷达特征参数严重重叠的情况下,仍可以准确的完成分选任务。并且,PRI混合检测可以有效地识别信号混合的情况。