随着大规模数据存储技术、信息技术和网络技术的发展，人们正陷入数据泛滥、知识贫乏的境地。为满足日益增长的信息需求，聚类分析作为一种主要的数据挖掘技术已经应用到各种领域之中。现有的算法大多是处理低维的数据，然而对于高维数据，这些算法往往不能取得令人满意的效果，特别是高维分类型数据，这是由高维分类型数据分布的复杂性及其特性导致的，现有的聚类算法满足不了处理高维分类型数据的需求。　　子空间聚类是一种将搜索局部化在相关维上进行的聚类算法,它有效的克服了数据集因维度过高引起的一系列问题。本文针对高维分类型数据,提出了一种自底向上的子空间层次聚类算法,该算法在基于信息熵的意义上能够准确的搜索簇的子空间,通过维护一个最相似线性表(MSLL)在全局范围内进行簇的合并,以此保证每次所进行的簇合并都是最优的。在进行簇之间相似度的计算时采用了一种优化策略,让每个簇维护一张属性信息表为相似度的计算提供数据支持,大大减少了相似度计算的复杂度。通过Zoo，Soybean和Vote三个典型的分类型数据实验发现,相对于其它相关聚类算法,该算法在聚类的准确率和稳定性方面表现优异。