近年来，数据挖掘引起了信息产业界的极大关注，其主要原因是存在大量数据，可以广泛应用，并迫切需要将这些数据转换成有用的信息和知识。相关模式挖掘是发现向量集合中的相关模式，它是数据挖掘中重要的研究内容。基于相关的聚类是把向量之间的相关度作为向量之间的距离度量，对向量集合进行聚类。然而，对于高维向量，数据分析人员根据向量在全部维上的相关性未必能够找到基于相关的聚类，这就需要挖掘在子空间上基于相关的聚类--高维数据中子空间相关聚类挖掘。 关于基于相关的聚类有许多已有的研究工作。紧密相关类簇挖掘就以相关度作为向量的距离挖掘向量集合中基于相关的聚类。但是它在向量的全部维上计算相关性，有时很难找到在全部维上都相关向量集合。还有一类研究工作将统计方法与传统的聚类方法结合在一起，挖掘基于相关的聚类，如将PCA与传统聚类算法结合起来，运用PCA进行特征转换会形成若干子空间，这些相关聚类就是在这些子空间上形成的基于相关的聚类，但是这些子空间是由原来的维坐标变换而来的新维构成，这样的子空间以及子空间上的基于相关的聚类对应到应用领域中难于理解。 本文从实际问题出发，研究高维数据中子空间相关聚类挖掘问题。引入新的相关度量，该度量能够判断向量间是否同升同降，使向量的相关性易于解释，可以很好的应用到实际分析中；根据本文中定义的相关度量的性质，能够有效的裁剪对子空间搜索的范围，而且判断向量是否属于某一相关聚类时不需要与聚类中其他向量进行比较，算法得到很大的优化。 根据挖掘对象的不同数据特征，本文从两个方面研究高维数据中子空间相关聚类挖掘问题： 1.维无序数据集中子空间相关聚类挖掘针对维无序的向量集，以自顶向下的策略发现最大子空间相关聚类，并提出TOUR算法和CAMEL-tree结构，通过填充CAMEL-tree形成候选子空间相关聚类，并根据CAMEL-Tree节点的父子关系找到最大子空间相关聚类。本文应用超市数据集实验并进行了性能分析。 2.维有序数据集中子空间相关聚类挖掘针对维有序的向量集，有两个挖掘任务：一是发现连续子空间上的最大子空间相关聚类，另一个是挖掘最大延迟相关聚类集。提出DUMA算法以自底向上的策略把区间较小的子空间相关聚类合并得到区间较长的子空间相关聚类，再利用CAMEL-Tree查找最大子空间相关聚类。通过对最大子空间相关聚类的区间匹配发现不同延迟量下的延迟相关的最大子空间相关聚类的集合。本文应用股票价格数据集实验并进行了性能分析。