聚类分析是数据挖掘的一个重要领域,具有广泛的应用领域。同时,聚类算法研究也是数据挖掘领域中一个比较困难的课题。目前很多流行的聚类算法,比如k-means、k-medoids、BIRCH、CURE、DBSCAN、STING等,虽然得到了广泛的应用,但是聚类算法也面临着很多的新问题。如聚类参数设置的盲目性、海量数据的处理、高维数据的聚类等。在聚类的过程中,大多数聚类算法需要用户自己输入一些参数值,参数值的输入不当将对聚类结果造成重大影响。对于普通用户来说,如何选取参数的参数值是比较麻烦的事情。所以常常导致聚类参数设置的盲目性。对于基于网格的聚类算法,密度阈值是一个非常关键的参数。为了减轻密度阈值设置的盲目性,本文提出了一种新的算法即一种基于网格的带有参数参考值的聚类算法(GRPC算法)。该算法在网格算法的基础之上结合了密度思想和数据分布演化思想。根据数据分布演化思想提出了密度阈值公式。通过密度阈值公式的计算,可以得到多个不同的密度阈值。利用这些密度阈值,该算法不但能满足一般的聚类要求,而且还能将高密度的聚类从低密度的聚类中分离出来。算法分析和仿真结果表明,其时间复杂度少于密度聚类算法DBSCAN,聚类效果较好,能有效处理任意形状和大小的聚类,很好地识别出孤立点或噪声,可以聚类不同程度的聚类,并且有较好的精度。然后,本文对GRPC算法在高维性和可伸缩性两方面进行了扩展。采用二维子空间聚类方法来聚类高维数据,将高维数据空间的聚类转化到二维子空间来进行。利用简单随机抽样技术来抽样大规模数据集,通过对样本数据集的聚类结果来聚类原数据集。扩展后的GRPC算法不但能聚类小规模数据集而且能聚类大规模数据集,不但能聚类二维数据而且能聚类高维数据。扩展后的GRPC算法时间复杂度除了跟数据集中数据个数和抽样率有关外跟维度的平方也有很大关系。仿真结果表明此算法的扩展是完全切实可行的。