聚类趋势分析算法基于抽样原理导致聚类趋势指标不稳定和片面，而且不适应数据流的批量增量特性，因而需要重复进行聚类趋势指数计算。为此，基于全体数据进行整体分析，提出一种基于最小距离连通图（MDCG）的聚类趋势分析算法MDCG-CTI。首先，利用栈的深度优先遍历法更新增量数据的最邻近路径从而降低MDCG的建立复杂度；然后，计算聚类趋势指数并确定可聚类性的判定阈值；最后，将所提算法和批量增量的具有噪声的基于密度的聚类方法（DBSCAN）相结合。在自定义数据集上的实验表明，该算法比现有算法对单簇和含大量噪点的数据的可聚类性判断更为精确；而在大数据集pendigits和avila上，所提算法比基于谱方法的聚类趋势可视化分析（SpecVAT）累计耗时降低了38%和42%，且相较SpecVAT结合批量增量DBSCAN，该算法结合批量增量DBSCAN的聚类平均准确率分别提高了6%和11%，聚类累计耗时则分别降低了7%和8%。实验结果表明该算法可以准确无参地判断聚类趋势，并明显提高增量聚类的有效性和运行效率。

为解决利用层次方法的平衡迭代规约和聚类（BIRCH）算法聚类结果依赖于数据对象的添加顺序，且对非球状的簇聚类效果不好以及受簇直径阈值的限制每个簇只能包含数量相近的数据对象的问题，提出一种改进的BIRCH算法。该算法用描述数据对象个体间连通性的连通距离和连通强度阈值替代簇直径阈值，还将簇合并的步骤加入到聚类特征树的生成过程中。在自定义及iris、wine、pendigits数据集上的实验结果表明，该算法比多阈值BIRCH、密度改进BIRCH等现有改进算法的聚类准确率更高，尤其在大数据集上比密度改进BIRCH准确率提高6个百分点，耗时降低61%。说明该算法能够适用于在线实时增量数据，可以识别非球形簇和体积不均匀簇，具有去噪功能，且时间和空间复杂度明显降低。