随着计算机和互联网络技术的不断发展，各个应用领域都在源源不断地产生数据，而这些数据通常以流的形式出现，例如传感器网络产生的数据流、股票交易流、超市结算流、网络通信流等。数据挖掘融合了统计学、数据库、机器学习等技术，帮助人们从海量数据中抽取出有用的知识，从而为决策提供重要依据。　　 数据流具有高速流动、快速变化和潜在无限等特点，因此要求数据流挖掘算法必须满足单次线性扫描、压缩存储、低的时间复杂度等要求。现有的数据流聚类算法，大多数停留在在线收集和离线分析阶段，典型的算法如CluStream。这类算法的缺点是实时性差，不能在线生成用户需要的聚类，精确的聚类结果需要经过离线分析才能获得。　　 针对这些问题，本文对数据流的在线聚类算法进行了研究，主要研究内容包括以下几方面：　　 （1）使用密度网格的存储结构，将数据流的概要信息以统计值的形式存储在网格单元中。通过设置密度网格阈值Cmax和Cmin，能有效地控制聚类质量。密度网格结构容易更新和维护，从而提高在线聚类效率，并节省存储空间。　　 （2）本文采用计数型滑动窗口来保存当前数据流。通过调整窗口滑动一次的步数step，可以有效地节省系统资源。　　 （3）定义了网格邻居和网格簇等概念，设计优化的网格合并和更新规则，使算法能够区分数据密集区域和稀疏区域，并较快地找到数据分布中存在的簇，提高算法的实时性。　　 （4）在论文研究过程中，通过大量的实验分析和对比，不断调整和优化算法，取得了较好的聚类质量和在线聚类效率。　　 实验结果表明本算法具有快速在线聚类能力，同时保证了良好的聚类质量。