信息技术的不断发展导致持续的数据收集和快速的数据积累。空间数据挖掘是在空间数据库中提取隐藏的未知模式，而空间聚类是空间数据挖掘中一个活跃的研究领域。本文第一部分提出了一种新颖的启发式选择边界对象的快速空间聚类算法DBSB，通过一个启发式函数近似选择相对于某个已知核心对象边界区域中的核心对象和边界对象，通过核心对象的序列来快速地扩展它们所在的簇，直至找到一些较小的簇。在此基础上再通过边界对象快速地合并某些簇，即算法通过两步聚类，达到最终的聚类。理论分析和实验结果表明该算法有效可行。随着分布式计算环境的广泛应用，由于数据和计算能力分布在不同的节点，本文第二部分设计了一种基于反向k近邻的分布式聚类算法DCRkNN，该算法在分布式数据挖掘的框架下利用反向k近邻的性质，分三个不同的阶段进行分布式聚类。首先是局部模型的确立，通过局部模型来近似压缩局部站点的数据集；其次在中央站点整合各分布的局部模型建立全局模型，最后根据全局模型更新所有局部模型。同时DCRkNN算法易于扩展到分布式离群数据挖掘中。理论与实验分析说明该算法和集中式聚类结果的质量相当，且在一定程度上保护了各局部站点的敏感数据，DCRkNN算法执行效率高，分布节点之间的通信代价小。