随着信息技术的发展,越来越多的数据以流的形式每天都在影响着人们的生活。数据流的连续性、潜在无限性、高速流动性等特点,使得数据流挖掘算法对数据只能是顺序的,一次或有限次的访问。针对数据流的这一性质,传统的挖掘方法很难在有限的时间内满足数据流的需求,因此,非常有必要找到适合数据流性质的聚类算法。在近年的研究中,数据流聚类算法充当着重要的角色,一直吸引很多国内外研究者的关注。本文的主要工作就是研究并实现一种时间复杂度低并且聚类精度高的数据流聚类算法。首先分析研究了数据流挖掘的相关理论；对聚类进行分析并归纳出目前非常典型的几种传统聚类算法的优缺点以及适用范围,进而引出数据流聚类算法并对其进行阐述；然后重点提出了一种新的数据流聚类算法：一种基于活跃网格密度的数据流聚类算法。该算法首先将数据空间网格划分为由多个小正方体网格单元所形成的一种网格结构,再将数据流映射到这种结构中,应用密度的概念形成网格密度概念,然后根据特征向量判断网格的密度。并且利用密度衰减技术捕捉数据流的动态性,继而提取边界点将其删除；同时引入活跃度概念判断网格密度的活跃性,将非活跃的网格密度忽略,保留活跃网格密度进行聚类,并将本文中的算法与CluStream算法进行比较。最后将本文中的算法应用到网络入侵检测中对算法的检测率与误检率进行分析,来验证该算法是否具有可行性。实验结果表明,本文中的算法能够发现任意形状的聚类,而且算法所采用的密度衰减技术可以有效剔除噪声数据。与CluStream算法相比,时间复杂度和聚类精度都有所提高。同时本文中的算法在网络入侵检测的实际应用实验中也验证了该算法具有较高的聚类结果。