近年来,随着移动通信、移动互联网、智能终端等技术的高速发展,移动上网用户日益普及,加之社会竞争压力的增大,人们渴望能够随时、随地进行任何方式的学习。在此背景下,移动学习(M-Learning)应运而生,并由于具有便捷性、灵活性、交互性、个性化等优点得到蓬勃发展,移动学习的各种数据规模也随之呈现出爆炸式增长,人们在移动学习中面临着“数据丰富,知识匮乏”的尴尬处境,如何从海量的移动学习数据资源中提取出有价值的信息,成为一个亟待解决的问题。本文提出将聚类分析、Map/Reduce分布式编程技术应用于移动学习领域：第一章简要介绍了论文的选题背景、研究内容和意义；第二章详细介绍了移动学习、聚类分析等相关技术的原理；第三章针对移动学习中最活跃的大学生群体,精心设计了调查问卷,在驻汉多所深入调研后,对大量调研数据进行了统计处理和数据清洗,并量化处理各变量值后,利用TwoStep算法对数据样本进行了聚类分析,将移动学习用户群划分为三个特征各异的簇,通过深入分析实验结果,发现不同移动学习用户群的学习模式,验证了开展相关研究的必要性和可行性,对当前开展移动学习研究具有启发性的指导意义。受终端设备计算、存储能力所限,对移动学习数据进行传统的聚类时效率低下,乃至处理大规模数据时会程序崩溃等,无法满足移动学习者的实时性、便捷性等特殊需要。为解决这一难题,本文第四章结合当前云计算中最流行的分布式Map/Reduce计算模型,探讨并实现了基于Map/Reduce的移动学习中数据聚类算法,并通过实验将集群和单机上的效率进行对比,表明算法收敛速度快,且具有良好的加速比,具有较强的理论意义和实用价值；第五章对本文工作进行了简要总结,对未来移动学习中的云计算应用聚类分析提出了展望。