受到“维度灾难”的影响,高维数据的聚类效率与聚类结果的精度难以得到保证。为了降低“维度灾难”对聚类结果的影响,采用子空间聚类算法,生成高维数据集的子空间,并将在子空间中聚类得到的结果作为数据分析的依据。这一过程中子空间的质量是保证子空间聚类算法有效性的关键,有两种提高子空间质量的方法,一是在子空间生成的过程中制定有效的生成规则,二是在子空间生成之后根据相应的筛选策略精简子空间。本文同时采用以上两种方法,首先采用高维数据中维度密度高的维度生成子空间。其次在子空间内自适应地生成网格,根据网格密度精简子空间内的数据。之后再次根据维度密度将子空间内的低密度维度剪枝,以提高子空间的质量。聚类过程中采用网格聚类的方法,根据网格的邻接性对子空间聚类。实验证明该算法在UCI(University of California-Irvine)数据集上能得到较好的实验结果,并且在抗噪声能力,伸缩性以及效率实验中都能产生良好的实验结果。针对高维数据中有存在不确定数据的情况,为了避免不确定数据对高维数据聚类结果造成影响,提出高维不确定数据的子空间聚类算法,分别针对高维不确定数据中维度不确定与值不确定的情况提出相应的解决方法。主要采用先将不确定数据确定化,后聚类的方法。在不确定数据确定化过程中,为了提高算法效率,针对不同类型的不确定数据,采用相应的确定化方法。针对值不确定的高维数据,采用KNN(K Nearest Neighbor query)算法查找不确定数据的K近邻数据,并依此得到不确定数据的确定化表示。针对维度不确定高维数据,根据不确定维度在数据集中的维度相似度得到数据集的确定维度。在聚类部分采用Clique(Clustering in quest)算法有效地将确定的高维数据聚类。实验证明该算法在UCI数据集上能够得到良好的实验结果,算法能够有效地聚类高维不确定数据,并产生高质量的聚类结果。在针对不同类型的高维不确定数据集实验中表现出一定的健壮性与抗噪声能力。