数据挖掘(知识发现)是从大量的数据中提取隐含的、事先未知的但又潜在有用的信息的过程。聚类是数据挖掘一类重要的技术。基于密度的聚类是一类已经被证明非常有效的聚类方法。现今，大量异构、复杂的数据分布于网络上各个站点，如何进行分布式聚类已经成为处理海量数据的一个重要应用领域。 本文主要研究基于密度的分布式聚类算法。首先介绍已有的DBDC、SDBDC分布式聚类算法。其次，提出一种聚类算法CUCD。该算法基于中心点以及密度实现，其核心对象是根据数据分布计算出来的虚拟的点，并且核心对象的代表性随程序的执行次数而提高。聚类即是对所有核心对象分类的过程。CUCD可以得到近似线性的时间复杂度。在CUCD的基础上，提出分布式聚类算法DCUCD。DCUCD包含以下步骤：生成局部模型、主站点根据局部模型进行聚类并生成全局模型、各个子站点对输入数据进行聚类标识。局部模型包括在该站点生成的核心对象集合以及对应局部半径；全局模型包括在主站点生成的全局核心对象集合以及对应全局半径。主要算法来自CUCD。 DCUCD算法能够有效地处理局部站点的噪声数据，能够处理分布不规则的数据点，核心对象居于聚类中心，时间效率很高并且聚类质量较好。实验也充分证明了DCUCD算法的有效性。