基于网格和密度的聚类算法速度快,能发现任意形状的簇,适于空间数据的聚类。但现有的基于网格和密度的聚类算法往往要求用户输入网格粒度和密度阈值这两个参数,这加重了用户的负担,并且导致聚类结果不可控。网格粒度决定了观察数据所用的分辨率,从而基本上决定了聚类的结果;同时网格的大小还影响到聚类的速度。现有算法在处理网格粒度和密度阈值时,多数是根据数据点总数以及平均密度等统计量,利用一个经验公式求得这两个参数,比较简单化。在分析聚类分析主要算法特别是其对网格粒度和密度阈值的处理方法的基础上,首先提出了在给定密度阈值条件下,密网格最多时网格粒度最优的观点。在此基础上,提出了在给定一组密度阈值条件下,根据密网格最多原则以及网格划分中密网格和稀疏网格的产生情况确定最佳密度阈值和网格粒度的方法。用该方法得到的网格粒度既能反映数据的内部结构,同时又不致陷入到琐碎的局部细节中去,其粒度对于聚类分析是合适的,是对数据的一种很好的压缩。这种方法大大减轻了用户对领域知识的需求,基本实现了无参聚类。实验表明,这种方法速度快,能发现空间数据的主要聚类结构。