数据挖掘是帮助人们在海量数据中发现信息和知识的工具。近年来数据挖掘技术成了商业智能的核心技术，被广泛应用到了诸多领域，引起了学术界极大的关注。聚类分析是数据挖掘中的一个重要研究领域，它从数据库中寻找数据间的相似性，从而优化大规模数据库的查询和发现数据中隐含的有用信息或知识。如何进行快速聚类以及如何取得更好的聚类结果成了聚类数据挖掘算法研究的重点和难点。CLIQUE算法综合了基于密度和基于网格的聚类方法，它有着速度快的优点。但是由于方法太简化，可能会降低聚类结果的精确性。通过深入的研究和分析，发现由于CLIQUE算法没有考虑到如何利用当前挖掘数据的特性，而是进行一种硬性的网格划分，因此增加了计算复杂程度，而为了降低计算的复杂程度就只能降低聚类结果的精确性。针对上述问题论文引入了自适应的网格划分方法，通过在一维的情况下预先分割区间，然后找出密集分割区间并对分界进行调整来得到密集区间，最后把这些密集区间作为划分网格的依据。这种划分网格的方法很好地利用了当前要挖掘的数据的特性，同时减少了网格的数量以及密集单元候选集的数目，大幅度减少了计算的复杂程度，从而使得在每个子空间进行计算成为了现实，也大大提高了聚类结果的精确性，但算法的时间复杂度仍是指数级的。只是这个指数是维数，使得算法的时间复杂度比起很多聚类算法的仍然简单很多。为了进一步提高算法的执行效率，论文还对并行CLIQUE算法进行了研究。选用通过商用网络连接起来的PC机，以及并行虚拟机PVM和分布式操作系统LINUX，共同构成了一个机群系统作为并行计算平台。在并行程序的模型上选用了Master/Slave模型。该并行算法将数据集分配到各个节点机上实现了数据并行，在数据并行的基础上，当生成密集单元候选集以及验证密集单元的时候又采取了任务并行的方法。由于主体是数据并行，因此达到了接近线性的加速比。每个节点计算任务的时间复杂度由两部分构成，一部分是指数级的验证密集单元的时间复杂度，另一部分是线性的通信时间复杂度。最后，通过实验验证了并行CLIQUE算法的可行性，从实验中得到的并行算法的加速比与理论分析结果一致。实验表明，并行CLIQUE算法在提高了聚类挖掘结果精确度的同时达到了较高的效率，同时由于算法是基于PVM的机群系统开发的，因此算法的通用性较强。