数据挖掘是数据库研究、开发和应用中最活跃的分支之一。近年来出现了一种称为数据流挖掘的新应用,这种应用中的数据是以流的形式产生的,如传感器数据、网页点击流、实时监控系统等。这些数据流的特点是按时间顺序的、快速变化的、海量的和潜在无限的。由于数据流具有上述特点,需要开发单遍扫描的,联机的,多层的,多维的数据流挖掘方法。学术界已经对数据流聚类问题进行了不少的有价值的研究工作,但是还存在许多问题尚待解决。本文研究了基于密度的数据流聚类问题,主要做了以下几个方面的改进:1、改进了密度聚类算法。DBSCAN算法是一种基于密度的聚类算法,针对该算法在处理混合属性数据上的不足,采用面向维度的距离的思想,改进了混合属性数据的相似度度量方法,提出了一种新的适合混合属性数据聚类的算法M-DBSCAN。仿真表明新算法有效解决了DBSCAN算法无法处理混合属性数据的缺点。2、设计了一种数据流情况下的混合属性密度聚类算法。为了克服数据流聚类框架CluStream算法不能处理混合属性数据流的缺陷,提出了基于密度的混合属性数据流聚类算法MCStream。本文在微聚类中使用面向维度的距离来度量对象之间的相似度,在宏聚类中是使用改进的密度聚类算法M-DBSCAN来对微簇进行聚类。实验结果表明,MCStream算法能快速有效地处理混合属性数据流聚类问题。