空间聚类是空间数据挖掘中的一个重要的研究方向,它的主要任务是在一个较大的空间数据集中根据距离的度量标识出簇,使得在同一个簇的对象尽可能相近,而不同簇之间的对象彼此不相似。空间数据聚类在地理信息系统、遥感、医学图象处理、环境研究等领域有广泛的应用。本文详细介绍了基于约束的空间聚类算法,特别针对基于障碍约束的空间聚类算法进行深入研究,在对现有的基于障碍约束的空间聚类算法COD_CLARANS、DBCLuC、AUTOCLUST+和DBRS+的研究和比较的基础上,提出了一种新的处理障碍约束的基于密度的空间聚类算法——COD_DBCLuC。该算法在DBCLuC算法的基础上,采用障碍距离(Obstructed Distance)代替欧几里得距离(Euclidean Distance)作为相异度的度量标准并在预处理过程中提出了障碍多边形合并化简方法(Polygon Combination and Reduction Method)来提高障碍物的处理效率。本文用C#语言实现了COD_DBCLuC算法,并与DBCLuC和DBRS+算法进行了比较,仿真实验结果表明COD_DBCLuC算法不仅具有密度聚类算法的优点,而且聚类结果比传统基于障碍约束的密度聚类算法更合理,更加符合实际情况。