当前数据流聚类已成为数据流挖掘领域中的一个研究热点，由于数据流海量、快速变化、时序的、持续到达的特点及内存的限制，传统的聚类算法无法直接应用到数据流中，因此，研究适合数据流特点的聚类算法具有极大地理论意义和现实意义。本文重点研究基于相似度和网格划分优化的数据流聚类算法，解决因没有处理边界点和网格的“硬划分”影响聚类精度的问题。这些聚类算法的研究成果在无线传感，Web日志分析，软件安全，工业控制等领域具有广泛的应用前景。首先，提出了一种基于密度网格树和相似度的数据流聚类算法。该算法采用了Clustream算法的两个阶段框架结构。在线部分将每个数据点映射到网格单元中，采用树形概要数据结构来存放非空网格。离线部分基于密度的进行聚类，采用相似度的方法对边界点进行处理。其次，提出了一种基于子网格的不均匀网格的数据流聚类算法。算法首先对数据空间进行均匀网格划分，定义了孤立网格，并对孤立网格进行删除；以低密度的网格单元的质心为中心建立子网格，对稠密网格按深度优先策略寻找聚类。定义了子网格的邻居网格，根据稠密子网格与它的邻居网格的最小距离和密度相似度将稠密子网格合并到所属的簇中。本文中的算法使用C++语言实现。实验结果表明，本文提出的算法在聚类质量上和性能上优于对比算法。