随着现代计算机技术、通信技术及互联网技术的迅速发展，电子商务等领域正面临海量的流式数据。同时，由于数据产生的随机性和数据收集的不完全性，数据采集过程中产生了大量的不确定数据流。不确定数据流的聚类算法既要满足数据流的连续性、无限性和不可预知性，还要降低数据的不确定性造成的影响，还要避免异常数据对聚类结果的影响。因此，探索高效的不确定数据流聚类方法，成为当今数据挖掘中一个重要的研究课题。本文针对不确定数据流的特点对其聚类问题进行研究，采用基于密度和网格的聚类方法以及CluStream双层框架，给出了GDU-Stream算法和EGDU-Stream算法，解决不确定数据流的聚类问题和聚类时的异常数据问题。本文的主要工作概括如下：1.概述了数据聚类的几种常用方法，详细分析了基于密度和基于网格相结合进行聚类的优缺点；阐述了不确定数据流的数据模型及其聚类的特点和难点，当前比较成熟的聚类算法已经不能适应不确定数据流的聚类要求。2.分析了不确定数据对聚类产生的影响；设计了不确定数据流聚类算法中的概念模型；在CluStream双层框架的基础上，给出了基于密度和网格的不确定数据流聚类算法GDU-Stream，并通过仿真实验表明该算法的准确性和高效性。3.详细分析了基于密度和网格的方法处理异常数据的性能；针对不确定数据流中异常数据和聚类的关系问题，对GDU-Stream算法进行改进和扩展，给出了一种带有异常数据清除机制的EGDU-Stream算法，并通过仿真实验表明该算法既能够有效清除数据源中的异常数据，同时又能准确高效的完成数据聚类。