聚类分析作为数据挖掘的一个重要任务,具有广泛的应用领域,这些不同的应用都对聚类分析算法提出了新的要求。本文提出了基于网格的并行聚类分析算法PGMCLU,该算法的创新点主要包括：定义了网格紧凑度、网格密度连通、网格特征值、簇密度以及簇相似度的概念；提出了基于网格单元划分的数据分区方法,基于网格密度连通概念的局部聚类方法,以及基于簇相似度度量的局部聚类合并方法；实现了对网格密度阈值参数minPts的自适应设置。该算法可以较好地处理高维和海量数据集,并具有识别不同形状和密度簇的能力。数据流是指潜在无限的、持续而快速到达的具有时间顺序的数据对象的集合。数据流的实时性和潜在无限性,决定了数据流聚类分析算法与传统的基于静态数据的聚类分析算法相比,具有一些新的特性。本文提出了基于网格的数据流聚类分析算法GC-Stream,该算法的创新点主要包括：提出了描述网格单元概要信息的特征向量结构；对SP-Tree做了改进,提出了基于List结构的LSP-Tree空间索引结构；提出了对网格单元信息的指数衰减策略,以及对噪声网格单元和过时网格单元的剪枝策略。该算法较好地满足了数据流聚类分析的实时性要求,并对内存空间具有动态的适应性。详细而全面的实验证明了PGMCLU和GC-Stream算法的正确性和有效性,因此,这些研究成果具有重要的理论价值和实际意义。