在数据挖掘的领域中,通过应用机器学习算法从现有的数据集中获得有价值的信息,其中一种重要的工具就是聚类分析,它是一种无监督的学习方法。近年来,随着计算机的快速发展,需要处理的数据量越来越大。目前,低维的聚类算法已经相对成熟,但受到“维度效应”的影响,经典的聚类算法在应用到高维数据时经常会失效。因此针对大维数据的聚类也成为了聚类分析中的研究热点,隶属于子空间聚类算法的CLIQUE算法是其中一种重要且应用广泛的聚类算法。本文总结CLIQUE聚类算法的优点及局限性,并针对其固定划分网格和用户指定输入参数两方面进行了改进,引入相对熵对数据进行动态网格划分,并给出网格参数和密度阈值的定义,减弱了人为输入的影响,降低算法对于用户先验知识的依赖程度。最后,通过在UCI数据集中选取三组真实数据集对改进后的算法进行模拟,并与原算法及其他经典算法进行比较,应用四种经典的聚类评价指标(P值、F1值、RI、ARI)对结果进行分析。实验结果表明,改进后的CLIQUE聚类算法对大维数据聚类是有效的,可以在一定程度上降低“维度效应”的影响。且改进后的算法不需要用户在聚类前提供网格参数及密度阈值,避免人为选取参数造成的麻烦,同时在聚类效率上有了明显的提高。改进后的CLIQUE算法在一定程度上优于原算法,在大维数据聚类分析的实际应用中存在价值和意义。