作为数据挖掘的重要方法之一,聚类是对自然的或抽象的对象自动地进行分组,使其成为由类似对象组成的多个类(簇)的过程。由于其在现实生活中的广泛应用,数据挖掘领域在研究方面已有很大发展。然而,在数据流环境中进行挖掘仍是一项具有挑战性的工作。近年来,随着网络监控、Web应用、传感器网络、金融分析等信息处理应用领域的发展,数据流环境下的数据挖掘研究受到越来越多的重视。这些应用中产生的数据源源不断地到来,因此只能按顺序进行处理,而且数据量是无穷的。传统的数据挖掘算法只能处理静态数据库,对这种大量的,无穷无尽的数据流是无能为力的。针对现有算法的不足,提出了一种基于加权网格的动态边缘聚类挖掘算法:GBCLUS。该算法通过对加权网格信息的统计分析,合理地考虑了数据对象的非空间属性。对数据空间提出了一种新的划分方法:将数据空间划分为非稠密非边缘区域、稠密区域及临界边缘区域三个部分;并利用边缘区域的特性,高效地对聚类结果进行调整和维护,减少了增量更新聚类结果的时间代价;对各区域以不同的空间粒度输出,显著地提高了聚类精度。最后实现了该算法,并使用多个数据源对算法性能做了测试。实验结果证明,该算法对数据流环境下的挖掘取得了很好的效果,能够使用有限的临时空间对数据流进行快速处理,识别出变化的聚类信息。