高维数据通常有几十甚至成百上千个属性，而很多高维数据的类仅存在子空间内。子空间聚类算法尝试在数据集的不同子空间上探测和发现有意义的簇类。　　 一种新的高维数据子空间聚类算法SCA[1]（SCA，subspace clustering through attribute clustering）无需多次遍历数据集，就可以快速找到高维兴趣度子空间的候选集，然后进行子空间簇聚类。该算法在去除冗余属性基础上，提出一种关系函数的计算方法来度量任意2个非冗余属性的相关关系；SCA算法在关系矩阵上进行属性聚类，避免了分层次搜索的时间开销，能够快速找到高维兴趣度子空间的候选集。SCA算法的效率和子空间簇的寻找能力均优于传统经典子空间聚类算法CLIQUE[3]。　　 本文在SCA算法及其改进算法[2]研究成果基础上，发现对分别具有密集单元格连续分布与分散分布二种特征的二维子空间属性相关性度量值进行区分时，SCA算法及其改进算法存在属性相关性度量值区分度不够明显的局限性。本文主要针对这个局限性，通过改进属性关系函数计算方法，提高属性相关性区分度，找出真正反映数据空间数据分布的最大兴趣子空间。　　 经实验验证，本文的改进算法较好地适用于区分分别具有密集单元格连续分布与分散分布二种特征的二维子空间属性相关性。对具有这种分布特征的高维数据集搜索最大兴趣子空间，当采用相同兴趣子空间搜索算法时，本文算法能得到比较全面的最大兴趣子空间。