随着大规模数据存储技术、信息技术和网络技术的发展,人们正陷入数据泛滥、知识贫乏的境地。为满足日益增长的信息需求,聚类分析作为一种主要的数据挖掘技术已经应用到各种领域之中。现有的算法大多是处理低维的数据,其中不乏各种优秀的聚类算法,并且已经得到很好的应用。然而现有的技术虽然已经成功的解决了较低维数据的聚类问题,但是对高维数据,特别是高维分类型数据,由于其分布特性与低维情况相比有很大的差异,以及分类型数据的特殊性,使得现有聚类算法无法满足处理高维分类型数据的要求。　　为解决高维分类型数据聚类问题,本文提出了一种基于信息熵和粗糙集的高维分类型数据子空间聚类算法(ERSC:An algorithm based on entropy and rough set for high dimensional categorical clustering),采用基于信息熵的特征选取实现了高维空间的有效降维,从而显著的提高了聚类效率,基于粗糙集的上、下近似集的类边界描述,确定了类边界范围,然后采用相容度来调整类边界,聚类的过程采用增长子空间的思想。最后通过了人工数据和真实数据soybean、zoo和mushroom数据集上的实验,得到了很好的实验结果。结果表明了本文算法不仅可行,而且精度高。