随着信息技术的不断发展,大量的数据也随之而产生,数据挖掘成为整合这些数据的关键技术。数据挖掘中常用的分析技术有聚类、分类、关联规则、回归分析、Web挖掘等。本文主要采用聚类分析技术对大规模的数据集进行聚类分析研究。通过借鉴物理场中物质粒子间的相互作用思想,将数据场引入到数域空间中,通过研究数据点间存在的引力关系和数据场影响因子参数,提出了基于数据场的相对质量（Relative mass algorithm）计算方法,下文简称RM算法。在数据场中,选取较大质量的点作为初始聚类中心点,改善传统聚类算法选取初始中心点时随机性较大问题,通过研究数据场力程半径,把半径参数值用于改善传统聚类算法的参数选择问题,针对大规模数据集,采取分布式计算的方式,提升算法的计算效率。本文主要工作如下:（1）数据场的概念源于物理场,数据点间存在引力关系,因此根据数据点间存在的引力关系提出了基于数据场的相对质量计算方法,用于解决聚类质量受初始中心点选取影响的问题。在大规模的数据集中采用分布式计算的方式,提高了求解数据质量的效率。（2）通过RM算法,求数据点的相对质量,选前N个相对质量较大的点,作为K-means算法初始中心点的待选点。这种方案有效改善了K-means算法随机选点导致聚类结果不稳定的情况,通过讨论了数据场中影响因子参数启发Kmeans算法K值的选取,设计并行化实验,并在大规模的数据集上进行测试,有效提升了算法的计算效率。（3）通过RM算法,求出数据对象的相对质量,选取质量较大的对象作为密度聚类算法的初始标记点,改善DBSCAN聚类算法随机标记点的情况;针对DBSCAN聚类算法的邻域半径参数选择困难问题,通过优化数据场中影响因子的值为DBSCAN聚类算发中的领域半径参数提供参考。同时设计了并行化实验,并在大规模的数据集上进行测试,加快了聚类处理速度。