稀疏子空间聚类通过找到子空间数据之间的相似度来进行聚类,广泛运用于各种计算机视觉领域。由于数据集的增长,稀疏子空间聚类面临着多种问题。现有方法难以利用多核和计算机集群提高处理大规模聚类问题的效率。因此本文提出基于坐标下降的并行稀疏子空间聚类方法研究,工作总结如下:首先,利用坐标下降法实现并行稀疏子空间聚类中提出了运用坐标下降法的并发特性和坐标下降法求解Lasso问题的快速与准确的特性,同时利用稀疏子空间聚类可以建模为求解一系列的样本稀疏自表达子问题的特点,使用坐标下降法来求解每个子问题,配合openMP并行框架实现单机多核的并行稀疏子空间聚类,实验结果表明,在聚类准确率不降低的情况下,大大提升了稀疏子空间聚类的速度。然后,基于无穷范数判定的Lasso动态筛选方法主要是运用矩阵无穷范数的性质来有效的去除坐标下降迭代更新过程中的一些冗余步骤,稀疏解在目标函数收敛时必有大量的值为零,本章节的方法将这些零值提前找出来,跳过优化程序的计算,在求解的稀疏度越大的情况下相比完全更新的时候速度提升越明显,实验数据表明算法在模拟数据和真实数据上都取得良好的效果。最后,基于Spark的分布式稀疏子空间聚类应用中设计了基于Spark平台的分布式稀疏子空间聚类的系统应用,该系统运行在linux服务器集群上,利用Spark框架将稀疏子空间聚类算法实现计算分布式化,实验结果表明,随着计算节点的增加,需要的时间越短,较以往的单机串行计算和matlab平台,能更快地处理数据,而且解决了单机下大规模数据的存储不可行性。针对传统稀疏子空间聚类算法过程不可分,执行效率低的缺陷,提出基于坐标下降的并行稀疏子空间聚类方法的研究,采用坐标下降法求解稀疏子空间聚类的关键计算部分,并分布式的实现,实验结果表明,本文算法运用openMP和Spark分布式框架,在处理高维稀疏问题上取得不错的实验结果。