近年来，越来越多的应用环境中产生了数据流，这类数据都是连续的、有序的、快速变化的、海量的。如何从数据流中挖掘出有用信息引起了广泛的关注。聚类是一种重要的数据挖掘方法，将其应用到数据流中也是一项重要的研究。传统的聚类方法无法在数据流中直接应用，需要研究能够适应数据流变化的聚类算法。在对数据流进行挖掘的同时，也要考虑如何对这样的海量数据进行存储。另外，传统的数据库管理系统在数据流环境中也不再适用，需要研究新的数据流管理系统。目前对数据流管理系统的研究主要集中在如何进行连续查询，而很少有在系统中融合数据挖掘的方法。 本文研究了数据挖掘的常用方法和目前已有的数据流聚类技术，给出了一种移动网格数据流聚类方法(MGDDS)。该算法改进了现有一些聚类算法的不足，克服了已有算法对非球形聚类效果不佳的问题，可以处理任意形状的类，并且算法的性能较好，聚类精度较高。另外对传统的数据库管理系统(DBMS)进行分析，指出其应用到数据流中的局限性，分析了数据流管理系统(DSMS)在数据流环境下的特点，及其与DBMS的主要区别。借鉴已经成型的几种数据流管理系统，融合数据流挖掘模块，给出了一个改进的数据流管理系统的框架结构。 最后，本文针对一个实际的数据流应用领域，对算法的性能进行了分析。给出了算法在网络入侵检测领域中的一个实现流程，并用常用于网络入侵检测的KDDCup99数据集进行实验，得到了较好的效果，验证了算法的性能。