随着传统数据流聚类研究的不断发展和对数据不确定性的深入认知,学者们提出了针对不确定性数据流的聚类算法。由于不确定性描述的引入使得传统的数据流聚类算法并不能完全适用于不确定性数据流聚类,因此这就对聚类技术提出了更高的要求和新的挑战。本文研究分析了前人的一些不确定性数据流聚类算法,总结了各个算法的优点与不足。鉴于基于密度网格的不确定性数据流聚类算法中,网格利用率低、网格划分以及密度阈值的设置等问题,本文提出并实现了基于密度树的不确定性数据流聚类算法UD-Tree(Uncertain Density Tree)。该算法采用了CluStream算法的框架处理模型,将聚类过程分为在线过程与离线过程。在线聚类过程对于不断到来的不确定性数据进行快速处理,按属性不同对应到树的不同层,并且对树的每层都进行相同划分,从而使不确定性数据映射到不同的叶子节点上,形成密度树结构,这种方法相比较传统的网格划分的方法而言,很大程度上消除了空网格,提高了空间的利用率以及聚类的效果。根据近期数据更加重要的原则而采用时间衰退模型,并根据该模型提出了叶子节点概率密度的概念,又提出了概率密度叶子节点特征向量并用其保存不确定性数据的信息,通过更新周期和孤立叶子节点函数的设置,减小算法计算量提高执行效率。离线聚类过程对在线过程中形成概要信息进行更精确的聚类,根据叶子节点的概率密度将叶子节点分为稠密、过渡、稀疏,并对空间位置相邻的稠密叶子节点进行合并形成簇。通过在真实数据集Forest CoverType与KDD Cup 1999 data上的实验证明,本文算法在准确率及聚类质量方面都要比EMicro算法有一定的提高。