高维数据聚类是目前数据挖掘领域研究的重点，传统聚类算法已经不适合高维数据聚类。子空间聚类方法作为高维聚类有效方法之一，已经被广泛应用到金融、电信、生物医学等领域。虽然学者已提出很多子空间聚类算法，但是并不能很好的解决聚类质量和时间复杂度问题。本文提出了两个算法来研究这方面问题。首先，提出了一种基于DBSCAN的属性相关子空间聚类算法(AReSUBCLU)，定义了一种活跃属性来降低维度，利用活跃属性相关矩阵生成的子空间搜索树来确定子空间,提高了算法的效率。算法利用了统计学中的均方差性质，如果均方差非常小，那么数据将呈均匀分布。算法通过均方差确定活跃属性后，利用本文定义的阈值加权技术,调用DBSCAN算法在每个活跃属性产生一维簇。然后根据属性相关性建立活跃属性的相关矩阵，来衡量属性之间的关系。利用矩阵生成子空间搜索树，根的每个分支上节点组成的集合即为要寻找的兴趣度子空间。最后利用簇相似度来合并每个维度的簇，进而得到所需的子空间簇。然后，提出了基于DBSCAN的空间树聚类算法(SpaceTreeCluster)。该算法利用DBSCAN生成一维簇，采用维度熵选择合适的分裂属性，把数据集从该属性上分裂成较小的数据集，然后递归调用算法来建造空间树，直到算法满足终止条件为止。该算法通过设计的空间树结构来得到子空间簇。空间数的每个分支节点的集合组成的属性空间就是本算法找到的兴趣度子空间，分支上的叶子节点所包含的数据对象就是该子空间的簇。该算法使得时间消耗大大减少。最后，运用java语言编程实现算法，应用人工数据集和真实数据集对实验进行验证，实验结果展示了算法的良好性能。