随着信息化技术的发展和广泛应用,在很多新兴的研究领域中产生了一种新的研究对象,这种具有与传统数据不同特性的数据,它们具有海量性、时序性,同时是快速变化的和潜在无限的,我们把这种数据称为数据流。因而,针对数据流的聚类算法研究是非常火热的。在现实环境中,因为机器精度误差,人为因素造成的数据对最终的结果会产生一定的影响,形成不确定数据,但是现有数据流聚类算法多数面向的是确定性数据,因而怎样有效地处理不确定数据成了一个研究热点。另外,由于数据流具有实时到达的特点,人们更加关注那些最近一段时间内到达的数据,如何将数据流从开始至今的所有数据区别开,实现数据流更好的聚类效果。针对上述问题,本文的主要工作如下:1.首先介绍了数据流的产生,对传统数据挖掘带来的挑战,之后介绍了进行数据流挖掘的研究背景和意义、国内外研究现状,并概括了数据流挖掘的发展前景与应用;并重点介绍了数据流挖掘的研究方向,以及数据流相似性度量方法。2.现有数据流聚类算法多数面向的是确定性数据,对不确定数据流聚类的处理,效果不是很好。因为经典的不确定数据聚类算法具有概率密度函数获取困难、实用性不强以及计算复杂等缺点。本文提出一种基于区间数的不确定数据流聚类算法UIDStream,算法用区间数来表示属性不确定性数据和基于区间数的距离计算方法,定义了不确定性数据之间的相似度,提出基于区间数的2k-近邻微簇和最优2k-近邻微簇的概念,通过最优2k-近邻微簇的融合,实现不确定数据流的聚类。实验结果表明:改进后的算法具有良好的聚类效果,提高了不确定数据流聚类的聚类质量和速率。3.由于数据流具有实时到达的特点,传统聚类算法并没有考虑时间的权重,而在许多现实应用领域中人们更加关注那些最近一段时间内到达的数据。本文提出一种基于时间衰减的数据流聚类算法TF-Strea m,考虑到随时间的流逝较早到达的数据对数据流聚类的影响程度呈现衰减趋势,引入了时间衰减函数。离线聚类阶段,在DBSCAN算法的基础上给出了k近邻密度和相对密度等概念,对数据流进行聚类。实验结果表明,TF-St ream算法有效且具有良好的聚类效果。