随着信息技术的发展，大量的数据爆炸性地产生，数据挖掘成为研究热点。在数据挖掘中，聚类分析是一种不可或缺的工具，日益成为一项重要的研究。　　基于密度与网格的聚类算法是聚类分析中重要的研究方向，该算法即可以发现任意形状的簇，又能很好的处理高维数据，因此许多专家学者对其进行研究。本文提出了一种改进的基于密度与网格的聚类算法。　　针对传统基于密度的网格聚类算法中存在人为设置密度阈值、固定的邻域半径、重复查询邻域内对象以及边界点处理不当等问题，提出了一种改进的基于密度与网格的聚类算法（improvement of clustering algorithm based on density and grid）。该算法首先将全部网格的平均密度值作为其密度阈值，避免了人为设置密度阈值的偏差;其次采用自适应算法确定邻域半径，使不同密度的数据采用不同的邻域半径，避免了全局使用一个邻域半径的缺点，使其能适用到动态的聚类中;然后采用对邻域外未标记的点作为下一个核心点，依据分类情况进行扩展，减少了邻域对象查询的重复问题;最后对边界点进行了处理，计算边界点到相邻的多个核心对象的距离，选取合适的核心对象，归入相应的簇中，提高了算法的聚类精度。　　最后，对改进的算法进行实验，结果表明，改进的算法在时间效率及精度方面均有提高，并且能更好适应聚类的动态性。