近年来,大量和潜在无限的数据流是由实时监视系统、通信网络、Internet传输信息、网页点击流、金融市场的联机事务处理和其他动态环境产生的。与传统的数据集不同,数据流是按时间顺序的、快速变化的、海量的和潜在无限的。为了从数据流中发现知识,必须开发单遍扫描的、联机的、多层的、多维的流处理和分析方法。在学术界很多数据流聚类方法已经被提出,但仍有许多问题需要研究和解决。一般情况下,基于网格的聚类算法,是把数据空间分成确定数目的网格单元来构建网格结构,然后再在这种得到的网格结构上进行聚类操作。和其他类型的聚类算法(如基于密度和划分的算法)相比,基于网格的聚类算法是一种有效且高效的聚类算法,然而这种算法的最大的缺点是它聚类的效率或精度严重受划分的网格大小的影响。为了高效聚类,同时为了减少网格划分的粒度对聚类结果的影响,本文提出一种新的基于网格和密度的并行的数据流聚类算法PGB算法。该算法的主要思想是用两个粒度非常接近的网格对同一数据流并行聚类,本文将粒度较大的网格称作原始网格,将粒度较小的网格称作校正网格。本文将校正网格看作是对原始网格大小的动态适应,所以由校正网格产生的聚类结果可以用来校正由原始网格产生的聚类结果,从而达到提高聚类精度的目的。实验结果表明PGB算法的效率受网格单元大小影响较小,其不仅是一种有效而且是一种效率较高的数据流聚类算法。