信息化的发展,信息量的增加,促进了数据挖掘的产生和发展。数据挖掘技术现在已经在网络搜索、银行业等行业有了非常广泛地应用。数据挖掘相关的算法有很多,其中聚类分析相关的算法可以分为划分方法、层次方法、基于密度的方法、基于网格的方法和基于模型的方法。将基于网格的算法和基于密度的算法相结合,一方面可以满足聚类不同形状簇的要求,另一方面也能够减少聚类时间。GDD算法在这种思想基础上,将距离信息特征的思想加入到算法中,考虑簇与簇之间的关系,提高了算法的适应性,避免聚类陷入局部最优。本文在介绍数据挖掘基本理论与经典算法的基础上,基于GDD算法提出一种基于网格和密度的带有层次因子与距离因子的GDLD算法,GDLD算法不仅具有基于密度算法能够发现任意形状簇的特性,而且在基于网格的基础上能够有效提高算法效率。层次因子的加入使算法能够更好地体现每个簇内部的密度特点,同时加上优化的距离因子,增强了算法反映数据集密度波动性的能力,能够比较好的适应密度波动比较大的数据集。而且使得算法参数更容易确定,更方便于应用。本文用实例说明基于密度的聚类算法适用于根据学生成绩分组的情况,并将GDLD算法结合网络教育学院的学生信息进行了一定的探索性分析。为今后更深入的研究学生学习模式提供一定的启发。希望能够使教学管理者更好地了解学生的学习特点,从而有目的地引导教学。