基于内容的图像检索融合了图像理解以及模式识别等多种技术，能提供有效的检索手段，是目前人们关注的热点之一。如何在庞大的图像库中快速地查找出所需要的图像是图像检索的核心问题，对图像数据库进行预处理并且建立索引有助于实现快速检索。聚类分析是数据挖掘中一种非常重要的技术和方法，可以利用聚类生成的聚类树建立图像数据库的索引，以解决高维数据的索引问题。　　 现有的CLIMB是一种基于子空间的网格聚类算法，只需要若干次的扫描即可得到聚类的结果，具有很高的效率。通过实验，本文提出了“CLIMB算法可以得到MAFIA算法找到的k-维空间中的类簇”的观点并加以证明，进一步说明了CLIMB算法的有效性。但由于该算法对聚类的划分缺乏密度阈值的控制，导致划分处于一定的失控状态中，随着样本数据的维增加，类簇的个数会越来越多，簇内的样本个数会越来越少。本文通过引入一种基于样本空间关系的聚类有效性衡量方法，并将该衡量方法引入到CLIMB算法中以改善这种失控的状态，同时引入马氏距离使算法对各维的区别更加敏感。在每一步的划分之后，都会对每一个聚类的中间结果进行评估，合并不满足要求的类簇，保留优质的类簇。　　 通过实验可以看到，划分的过程在改进的CLIMB算法得到了控制，聚类的精度得到了提高，并可以发现任意形状的类簇，而改进的CLIMB算法的时间复杂度介于MAFIA算法和CLIMB算法之间。