按照聚类模式的不同,聚类算法可以分为球形聚类算法和非球形聚类算法。非球形聚类算法指的是自动检测数据中的任意形状类。最具代表性的非球形聚类算法是DBSCAN算法。DBSCAN算法可以识别任意形状的聚类,但是该算法对密度参数十分敏感。由于空间数据可以通过网格进行预划分,有学者提出在网格划分的基础上对数据进行聚类分析。然而,这类方法对网格划分的要求十分严格,不同的网格粒度会产生差异明显的聚类结果。并且当数据维度过高时,基于网格划分的方法严重受限于维数灾难问题。为解决上述问题,本文提出了基于网格划分的非球形聚类算法。区别于传统的DBSCAN算法和基于网格划分的聚类算法,论文提出的聚类算法分为三个步骤实现:自适应网格生成、高密度区域凝聚聚类以及稀疏区域类别确定。论文首先给出了一种网格宽度的自适应确定方法,该方法可以得到一种近似最优的网格结构。在得到网格结构后,非球形聚类包括高密度网格凝聚聚类和低密度网格均值漂移融合。该方法能够有效地判定边界区域的聚类类别,并且可以检测出密度较小的稀疏类簇。另外,论文提出了一种基于多子空间结构的非球形聚类算法,把论文提出的聚类算法从低维数据扩展到较高维度的数据。论文在4个构造数据集和4个真实数据集上进行了数值实验,分析了算法的参数和性能。为了说明算法的有效性,论文与经典聚类算法进行了一些实验对比,说明本文算法在运行时间、聚类准确度和算法可扩展性等方面具备一些优势。