近年来，随着信息技术的高速发展和广泛应用，许多应用中的数据是以流的形式产生，这类数据是连续的、有序的、快速变化的、海量的。聚类分析是一种重要的数据挖掘方法，但是传统的聚类算法不能直接应用于数据流聚类。虽然学者们已对数据流聚类问题进行了一系列研究，但是仍有许多问题尚待研究和解决。分形几何学近年来在不断地发展，并在一些领域得到了广泛的应用，如地理、交通、气象等。分形数据挖掘就是利用数据集的分形特征对其挖掘，数据集的分形特征是指一个数据集的部分与整体具有相似的结构或属性。分形维数是描述数据集分形特征的重要指标，它能有效地描述数据集，当它发生变化时，说明数据集的某些特征发生了变化，如数据集的变化趋势、数据点的分布等。本文对经典的数据流聚类算法和分形理论进行了系统的研究和全面的总结，分析了一些常用的数据流聚类算法的不足之处，在此基础上提出了一种基于密度与分形维数的数据流聚类算法。算法借鉴在线/离线的两阶段框架思想，结合了密度聚类和分形聚类的优点，克服了传统聚类方法的不足。同时针对数据流的时效性，在计算网格密度时对数据点使用衰减策略。实验表明该算法提高了数据流聚类的效率与聚类精度，且能够发现任意形状和距离非邻近的聚类。