在大数据的背景下,数据已经不是传统意义上的简单的处理对象,而是开始转变成社会的一种基础性的资源。大数据在数量上的规模给数据存储,管理存储数据以及数据分析方面带来了极大的挑战与机遇。大数据隐含着巨大的社会、经济和科研价值。然而传统的数据分析方法都是基于可加载数据上的,并不能直接应用于大数据之上,或者有针对基于大数据的算法,但是效果并不理想。因此,本文针对以上问题,提出了一种联机的模糊蚁群聚类算法。目前已经有很多基于抽样的方法来对这些大量的数据进行聚类分析,特别是基于模糊c均值算法的抽样扩展,比如联机模糊C均值算法。这类算法应用广泛的一方面是因为它易于实现而且算法的思想比较简单和易于理解。另一方面是因为模糊c均值算法的运算速度较快,这对于海量数据处理在速度上是一个非常大的优势。然而,这类基于模糊c均值的算法有一个非常大的缺陷就是对于簇类中心非常敏感,因此联机模糊C均值算法必须初始化簇类中心的个数和中心点位置。正确的初始化簇类中心个数是非常困难的,不正确的初始簇类个数得到的聚类结果与实际的簇类的差距将非常的大。本文提出一种基于蚁群聚类的改进的算法,可以在大数据的背景下来避免这个问题,蚁群聚类算法是一种自适应的算法,因此它不需要簇类个数与簇类中心点位置的初始值也能比较正确的得到簇类的个数与结果。本文提出的联机模糊蚁群聚类算法,就是结合了两个算法的优点并在大数据背景下提出了一些特殊的处理机制有机结合而成的,联机蚁群聚类算法能很好的解决联机模糊C均值算法的初始值敏感的问题。本文在第三章在详细介绍联机蚁群聚类算法思想及算法步骤的之后,我们在通过做了大量实验来检验和对比了联机模糊C均值算法与联机蚁群聚类算法在三个数据集上的准确率。最后为了能更加方便的测试与利用本文提出的联机蚁群聚类算法与联机模糊C均值算法,本文在第四章中对两个算法及参数的调试进行了系统的设计与实现。这样能更好的利用可视化技术来对比不同算法之间的性能,这样也加深对聚类算法结果的理解。