聚类分析根据数据对象的属性及相关信息将其分组,使得组内的对象相互之间相似,而不同组中的对象不相似,它是数据挖掘领域一个非常重要的课题,同时聚类分析在统计学、生物学、信息检索、模式识别、机器学习等很多领域扮演着重要角色。到目前为止已提出了很多种聚类算法,基于密度的算法是其中一类非常有效的方法,这类算法可以检测数据空间中任意形状的簇。然而目前已有的一些基于密度的算法,如DBSCAN,DENCLUE,因为算法的全局参数问题而不适合处理不同密度的簇；SNN算法则由于需要从k最近邻相似矩阵中重构出共享最近邻图而在效率上有所欠缺。为了能够更有效率更好地检测不同密度的簇,本文提出了一个密度流模型并基于此的聚类算法DEFAT。密度流模型通过在数据对象间传递密度流,共享其局部密度信息,从而从全局的角度考虑对象间的相似性。基于密度流模型,DEFAT能够很好的区分不同密度区域,从而能够检测出不同密度和大小,形状各异的簇,同时还能够处理簇间有重叠的情况。在人工数据集和真实数据集上的实验表明,DEFAT无论在效果上还是在效率上,都优于现有经典的基于密度的算法。