近年来，作为数据挖掘的重要工具之一，聚类分析的应用领域日益广阔，越来越多的领域出现了大量的数据流。数据流具有数据量无限且流速快等特点，使得传统的聚类算法不能直接应用于数据流聚类问题，如何对数据流进行有效的聚类是当前数据挖掘领域的一个难点和热点问题。 数据流聚类分析的难点之一就是要求算法只能有限次的扫描数据集，最好是一次扫描。本文针对数据流聚类的难点，给出了一种基于概率密度的数据流聚类算法，该方法不需要存储全部历史数据，只需要存储新到达的数据并对其应用EM算法，利用高斯混合模型增量式的更新概率密度函数。 本文还给出了应用摘要层次结构的数据流聚类算法，该算法的在线阶段应用了两种摘要技术，基于小波的技术和基于回归的技术来构造摘要层次结构。基于回归的拟合模型可以得到较精确的摘要层次结构，而基于小波的拟合模型可以快速地建立摘要层次结构并且所需的存储空间比较小。 为了验证以上两种算法的性能，进行了一系列的仿真实验和对真实数据的实验。通过实验证明本文所给出的算法，运算速度有了很大的提高，并且随着簇数目和数据维度的增大运行时间呈线性增长，对噪音敏感度较低。另外，通过对真实数据的实验表明，算法的聚类质量也有大幅度的提高。