随着互联网技术的飞速发展和用户数量的增加，众多新兴应用正以前所未有的方式和速度产生并积累着大量的数据，如何对这些规模巨大的数据进行分析和应用正成为许多领域所面对的机遇和挑战。图数据作为一种重要的大数据类型，在互联网分析、社交网络分析等领域扮演着重要角色。然而随着图数据规模的剧烈增长，有限的计算机内存已经渐渐无法满足对大规模图数据的存储，因此设计合理的图数据压缩表示算法，使其能够完全放入计算机内存进行计算，将有效提高分析和计算大规模图数据时的效率。　　K2-tree是一种基于邻接矩阵的图数据压缩表示算法，其利用邻接矩阵稀疏和集群的特性，可以实现对邻接矩阵的压缩存储。由于图数据对应的邻接矩阵表示中具有一定的数据分布特征，因此使用聚类算法对图数据的邻接矩阵进行聚类分析可以发掘其潜在的数据分布特征，例如稠密区域的分布等。因此，本文将聚类机制与 K2-tree算法进行结合，并作了相关研究，主要工作内容包括：　　(1)依据对图数据对应邻接矩阵中数据分布特性的分析，提出了一种基于密度的图数据聚类算法BD_Clustering和一种基于网格、密度和距离的图数据聚类算法BGDD。　　(2)结合聚类算法和 K2-tree技术提出了新的图数据压缩表示算法，即分别为BDC_K2-tree和BGDD_K2-tree，并且利用DACs编码技术优化了存储结构，实验结果表明该算法能够缩减图数据的存储空间，有效提高空间利用率。　　(3)在新的图数据压缩表示算法的基础上，设计并实现了基础的图数据查询算法，包括查询图顶点的前向/反向邻居信息和检测两个图顶点之间的直接连通性，实验结果表明该算法能够支持快速的图数据信息查询。