信息技术在不断发展，随之而来的是越来越多的实际工程应用中需要处理一种海量数据，这种数据具有瞬变性、实时性以及无限性等特点，称之为数据流。数据流最早出现在传统的银行和股票交易领域，现在也出现在地质测量、环保、气象、天文观测等领域。尤其是在互联网络，比如网络流量监控、点击流量等以及无线通信网络。由于大多数的这类数据的维度较大，因此能够持续自动产生大量的细节数据。对于这些领域的数据可以进行包括趋势分析、预测等等这类复杂的分析，这些操作可以在数据仓库中进行脱机处理，而在网络安全和国家安全应用领域中，对时间都非常敏感，如复杂人群监控，趋势监控，探查性分析，检测互联网上的极端事件、入侵、异常、欺诈以及和谐度分析等，都需要在线进行及时分析。因此通常都需要对数据流进行近实时的复杂分析。频繁模式挖掘、分类以及聚类是数据流的三个主要分析方面，这三类都用到了一些如滑动窗口技术的新方法和新技术。本文通过介绍数据流和数据流聚类算法，针对桥梁健康监测数据进行分析，提出了一种改进的基于特征投影和拟合的数据流聚类算法(HpFitStream)。该算法结合滑动窗口技术和拟合算法对数据流进行聚类预处理，并将聚类之后的数据流的统计特征存储于概要数据结构中，运用统计分析学的相关理论对数据流中的数据点进行相关分析，掌握和了解数据流的特征和变化趋势，从而有效地分析被监测对象的状况，为被监控对象在发生严重异常时，进行早期预警，以及维护、维修与管理提供保证。本文的研究主要集中在以下几个方面：①概述数据流，并从数据流的处理功能出发，介绍现有的数据流处理模型，包括滑动窗口模型、界标模型以及快照模型，总结现有数据流模型的优缺点。以研究内容和研究目的为出发点，本课题选择了基于滑动窗口的数据流处理模型，以保证数据处理的可靠性以及稳定性，并分析可行性。②介绍数据流聚类分析的概念、经典数据流聚类算法。目前聚类分析中大部分聚类算法都是针对低维数据流的，而现实中需要处理的数据往往大部分都是高维的，因此本文也介绍了高维数据流的聚类算法。针对桥梁健康监测数据的多维性，在经典数据流的聚类算法基础上，本课题提出了一种改进的数据流聚类算法，基于特征投影和拟合的高维数据流聚类算法（HpFitStream），实现对大量的、动态的、高维数据流的聚类。该算法结合滑动窗口技术，采用特征向量投影实现高维数据流的降维处理，并采用多项式拟合算法对原始数据中的异常数据进行预处理。③在聚类结果的基础上，课题提出了一种新的数据流趋势分析方法，基于滑动窗口的数据流分段趋势分析，该方法采用滑动窗口算法对数据流进行实时快速的分割，应用最小二乘法对滑动窗口中的数据流进行非线性的多项式拟合，并对对数据进行预测分析。在应用最小二乘法对数据流进行趋势分析后，若数据流没有异常，可根据拟合算法对不同时期的数据进行预测，观察数据更详细的趋势发展。经实验结果证明，本文聚类算法不仅能有效压缩数据，节省内存空间，还能大大缩短数据处理时间，有效提高聚类质量。且分段趋势分析方法，也大幅度提高了数据处理速度。