当前,许多应用数据来自于多节点的分布式网络环境,因此,分布式数据流近年来受到广泛关注。许多应用都具有分布式数据流特征,如web上多个节点形成的同一个服务器的用户点击流、一个传感器网络中的不同节点收集的多条数据流。由于分布式数据流挖掘还处于探索阶段,研究对应的模型和算法来提高挖掘质量或者挖掘效率是一项重要的工作。　　 与传统的数据挖掘领域的研究一样,针对分布式数据流的挖掘技术的研究也包括分类、聚类、关联规则等方面。其中,聚类分析作为数据挖掘的一项主要功能和任务。成为数据挖掘中的一个重要的研究领域。虽然至今已提出了大量的相关理论和算法,但是,这些理论和算法并不能完全适用于分布式数据流挖掘环境。　　 针对分布式数据流聚类的问题,本文主要完成了如下的研究工作:　　 (1)本文给出了详细的分布式数据流的理论定义与形式化描述,针对分布式数据流的自身特点,建立了相关的研究与描述符号。　　 (2)提出了一个基于数据概要的分布式全局聚类模型(Distributed GlobalClustering Model,DGCM)。　　 (3)提出了一个局部增量式聚类算法(Local Incremental Clustering algorithm,LIC)来处理局部节点(单)数据流的增量式聚类,并提出了一个局部概要生成算法来对每一次产生的局部模式生成其相应的数据概要,进而上传给中心节点产生全局模式。　　 (4)在中心节点,提出了一个全局凝聚聚类算法(Global AgglomerativeClustering algorithm,GAC),通过对上传的局部模式的合并与分裂,进而产生全局模式及全局概要。为了有效的处理局部模式的合并与分裂,本文提出了一个新颖的还原点算法(Revert Sample Points algorithm,RSP),它能够基于概要产生相应的数据样本点。在进行局部模式的合并时,我们利用还原点算法对合并前后的簇进行评估,若有相应的改善则进行合并,否则,则放弃合并。　　 (5)本文对DGCM所产生的全局模式与相关的分布式数据流聚类算法进行了对比实验,实验表明,本文所提出的模型和算法能在有效降低通信代价的前提下,保证了较高的聚类质量,给出的全局模式,能够明显高于模式集成所产生的全局模式,而接近于数据集成产生的全局模式。