Affinity Propagation 聚类算法是 Brendan J.Frey 和 Delbert Dueck 于 2007 年在Science 上发表的一个高性能聚类算法。它在人脸图像识别、基因外显子发现、检索最佳航空航线、手写邮政编码、设施选址等领域得到了广泛的应用。但是随着其应用领域需要处理数据量的爆炸式增长,且其算法自身较高的时间复杂度,所以导致AP聚类算法在处理大规模不同类型数据集时的时间成本太大。因此设计针对大规模数据进行快速聚类的算法成为研究的热点之一。本文通过改进优化和并行AP聚类算法以实现大规模数据的快速聚类。从AP聚类算法的原理分析、AP聚类算法的改进优化以及基于CUDA平台并行AP聚类算法这三个方面展开研究。本文首先分析阐述AP聚类算法的基本原理和AP聚类算法的特点,找出其自身的局限性所在,为AP聚类算法的改进和并行做铺垫。改进优化AP聚类算法就是增加AP聚类算法的功能来更好的处理数据集。并行改进后的AP聚类算法是本文研究的核心内容。首先分析找出AP聚类算法可以并行的部分,然后在现有的硬件设备上设计基于CUDA平台的AP-CUDA聚类并行算法,然后利用CUDA提供的程序分析工具分析AP-CUDA聚类算法,找出最优的硬件设置以使程序达到最佳的运行效果,提高其性能。最后在硬件设备上运行串行AP聚类算法和AP-CUDA聚类算法进行实验收集实验数据。实验数据展示了改进优化并行后的AP-CUDA聚类算法在处理不同类型和更大规模的数据集时具有优异的性能。