作为面向内存的分布式并行计算框架，Spark非常适合于迭代式计算，但是飞速增长的数据量和日益苛刻的实时性要求使得Spark平台的性能优化已迫在眉睫。为了解决Spark平台CPU计算能力弱的问题，本文针对数据挖掘领域广泛使用的核心算法之一，聚类算法，以具有更高计算并行性的GPGPU为加速设备，深入研究了Spark平台的异构计算性能优化问题。　　本文的主要工作和创新点包括:　　1)提出了面向GPU异构加速的以非规律并行归约树为核心算法的归约操作优化机制，以实现位置不连续数据在GPU端的并行归约。在面向Spark-GPU平台的聚类算法的归约操作中，同一聚类的数据在GPU端的存储位置不连续，以往会导致归约操作被迁移到CPU端执行，从而造成大量的CPU与GPU间的数据传输和Spark网络shuffle等通信开销。本文设计并实现的面向GPU加速的归约操作优化机制能有效降低通信开销，提升GPU的利用率。　　2)提出了基于GPU多层存储结构的数据放置优化策略。GPU中不同存储层次的容量、带宽和延迟各不相同，而聚类算法所访问数据的类型、规模和使用频率也不尽相同。本文提出的数据放置优化策略针对上述特点实现了缓存循环不变量，利用GPU本地和私有内存，级联访问等机制。实验表明，这些优化策略能够有效降低GPU端的计算开销。　　3)基于上述优化机制，本文设计并实现了面向Spak-GPU平台的KMeans算法，并对加速效果进行了深入的评测分析。测试结果表明，相对于使用Spark MLlib和CPU实现的KMeans算法，本文实现的KMeans算法取得了3倍的性能提升。