经过十几年的研究和实践，数据挖掘技术已经吸收了许多学科的最新研究成果，而形成独具特色的结构分支。其中，聚类算法作为数据挖掘工具集中的一个模块，具有广泛的应用价值。典型的聚类算法有K-Means、CLARANS、BIRCH、CURE、DBSCAN等。GIS空间数据库里的数据主要有矢量数据和栅格数据，矢量数据按其用途可以拆分为几何数据和属性数据，不同类型的数据对其进行聚类用到的算法不尽相同。本文根据聚类算法性能优劣的比较，提取三种效果较好的聚类算法：MMC算法、基于网格和密度的算法以及数据场算法，对空间数据库中的二维矢量数据进行了聚类分析，克服了传统经典算法对数据输入顺序敏感、不能处理高维数据以及发现不了离群值和空洞等缺陷。 本文首先介绍聚类算法的发展现状，而后对空间数据的特征和聚类算法的性能进行了分析和比较。接着选取三种有效的聚类算法对二维几何点数据进行聚类，其中，MMC算法利用buffer分析(膨胀和侵蚀)完成聚类过程，能发现任意形状的聚类、离群值和空洞；基于网格和密度的算法将数据空间分割成网格(grid)状，将落到某个单元中的点的个数当成这个单元的密度(density)，基于网格和密度的算法适用于高维数据，因为实验数据是二维的，所以采用clique算法完成了二维点数据的空间聚类；数据场算法将聚类看成动态的行为，引入了场和势函数的理论，数据场中的客体通过势函数相互作用，该方法对噪声数据具有较强的适应能力。 最后，利用VC++开发工具完成了MMC和clique算法的实现，并从多方面对算法进行测试。