随着信息技术的发展,不确定数据聚类在经济、军事、电信互联网络中具有越来越重要的作用。而在现实世界中往往存在的江河、湖泊、山谷等障碍物,因此障碍空间中不确定数据聚类的研究具有很高的实用价值,使聚类分析的结果更加具有实用性。为解决传统聚类无法有效处理障碍空间中存在级不确定数据聚类的问题,首先提出一种快速计算两数据点间障碍绕过距离和障碍连通距离的方法,随后在DBSCAN算法的基础上提出OEU-DBSCAN算法,使用障碍距离作为数据之间的相似度度量,根据数据存在的概率将核心点重新定义为障碍概率核心点,通过障碍概率核心点对数据进行扩展聚类。随后提出FPA-EU-DBSCAN算法,通过过滤障碍距离计算进一步提高了算法的效率。实验分析表明提出的算法在处理障碍空间中不确定数据时具有更高的效率和准确性。为提高障碍空间中不确定数据聚类算法的效率,提出障碍空间中基于区域树(Range Tree)的不确定数据聚类算法,算法对不确定数据建立区域树,以及对障碍顶点建立区域树,查询矩形区域内数据以及障碍顶点来确定矩形区域内数据的可视性,为减少整个算法中区域查询的次数,算法采用选取代表点的方法,在几乎不损失聚类精度的条件下进一步提高了聚类的效率。当障碍物较大,障碍物穿过矩形区域而没有障碍顶点在矩形区域内,使得判断矩形区域内数据的可视性精度降低。为解决此问题,给出了Range T-ROUDBSCAN算法,在障碍物边上取等分顶点,将障碍物顶点和边上的等分点分别建立区域树,通过区域树查询矩形区域内的障碍物顶点和边上的等分点来确定矩形区域内数据的可视性。实验表明,Range T-ROUDBSCAN算法具有较高的效率和聚类精度。