近年来,随着数据的采集和存储技术的飞速发展,尤其是互联网的广泛应用,各行各业积累了大量的数据。为了从数据中挖掘出更多的有用信息和知识,人们结合机器学习和数据挖掘进行数据分析。聚类算法作为机器学习和数据挖掘的重要组成部分,被人们广泛地使用和研究。不断地完善和提高聚类算法的性能和准确性,成为研究者孜孜不倦的追求。本文对广泛使用的谱聚类算法进行了深入地研究与分析,对算法进行了改进,使其更能适用于大规模数据。该研究为用户快速高效地提取海量数据中的有用信息提供技术支持,提高大规模数据聚类分析的效率。本课题的研究点可以大致分为以下三点。1、快速谱聚类算法的设计与实现:针对谱聚类算法的不足,本文提出了一种基于Kmc2的快速的谱聚类算法KSC,分别在数据表示和最终的聚类过程中进行了优化,降低了数据相似计算的复杂度和选点的复杂度,从而提高谱聚类算法整体的效率。2、并行谱聚类算法的设计与实现:单机的谱聚类算法在解决大规模数据的问题上仍然显得捉襟见肘,本文针对已改进的谱聚类算法,分别为数据表示、相似矩阵构建、拉普拉斯矩阵构建、特征向量分解以及优化的K-means聚类这五个步骤设计合理的并行策略,完成基于Spark的并行谱聚类算法的设计与实现。3、大规模数据的聚类分析系统:为了降低用户使用算法的难度,提高用户使用聚类分析进行数据信息挖掘的效率,本文在结合现有的并行计算框架的基础上,设计实现一个快捷方便、用户友好的大规模数据聚类分析系统。