1.它提供了没有监控的聚类。它采用了 hat-shape 过滤，强调点密集的区域，而忽视在密集区域外的较弱的信息。这样，在原始特征空间中的密集区域成为了附近点的吸引点（attractor）， 距离较远的点成为抑制点（inhibitor）。这意味着数据的聚类自动地显示出来，并“清理”了周围的区域。这样，小波变换的的另一个优点是能够自动地排除孤立点。

2.小波变换的多分辨率特性对不同精确性层次的聚类探测是有帮助的。在每一个层次，显示了原始数据分解得到的四个子波段。在左上像限中显示的子波段强调了每个数据点周围的平均邻域。右上像限内的子波段强调了数据的水平边。左下像限中的子波段强调了垂直边，而右下像限中的子波段强调了转角。

3.基于小波的聚类速度很快，计算复杂度是 O（n），这里 n 是数据库中对象的数目。这个算法的实现可以并行化。