随着网络技术的发展和计算机使用的日益广泛,电子化数据越来越多,人们正面临"数据丰富而知识贫乏"的问题.数据挖掘技术为解决此问题开辟了一条道路,并越来越受到人们的重视.但随着数据集规模越来越庞大,且多为分布存储,单台计算机的资源对于挖掘大规模数据集越来越无能为力,所以在分布式环境下进行数据挖掘算法的研究显得尤为重要.对分布式算法的研究主要有两个途径,一个是改造现有的串行算法,使之适应分布式并行环境;另一个则是设计全新的分布式并行算法.由于前一种方法容易进行工作衔接,而且能够充分利用已有的集中式环境下的研究成果,所以被广泛采用.我们提出了一个分布式聚类算法G-DBSCAN.G-DBSCAN算法主要是在经典的基于密度的DBSCAN算法的基础上进行改进的,并结合了空间矩形覆盖算法GMDL.在各个局部节点,G-DBSCAN算法用DBSCAN算法产生局部模型,并使用GMDL算法对局部模型进行近似处理,以减少传输到中央节点的数据量.中央节点根据局部节点提交的局部模型,使用空间分格以及我们改进的R-DBSCAN算法得到全局模型,并使用GMDL算法对模型描述进行简化.最后将全局模型发送到各个局部节点以更新局部模型.另外,利用G-DBSCAN算法,我们还开发了一个网格环境下的分布式聚类挖掘系统——GC系统,并使用GC系统对G-DBSCAN算法进行了评估.