随着信息时代的快速发展，其数据具有海量、异构、多样、动态变化等特性。面对这些海量数据，常常陷入“数据丰富，信息贫乏”的尴尬境地。人们迫切需要强有力的数据分析工具从繁杂的海量数据中找到有用知识，发现其中存在的关系和规则，帮助人们进行决策、研究，从而带来巨大的信息价值。聚类算法作为一种非监督学习的方法，是包括数据挖掘、机器学习、模式识别、图像分析等诸多领域数据统计分析的一种常用技术。Map-Reduce编程模型由Google提出的，是当前应用较为广泛的分布式计算框架。它将业务逻辑从复杂的底层实现细节中分离出来，该模型主要是面向海量数据的处理，与传统的并行计算模型相比，它对任务调度、数据分块、容错性等问题进行了封装，极大地简化了程序的设计。本文通过深入学习k-means和canopy-k-means聚类算法，在Map-Reduce上实现了这两种算法的并行化设计，并将其部署在由4台机器组成的Hadoop集群上进行测试。实验结果表明，基于Map-Reduce的canopy-k-means并行算法比k-means并行算法的聚类结果准确率更高，收敛速度更快。这两种并行算法能够得到较好的聚类结果，在大数据集上，具有较好的加速比和良好的扩展性。