随着 P2P技术的不断发展,P2P系统已经成为储存海量数据的容器,如何在这样一个包含丰富数据的容器中发现知识成为越来越多的学者研究的内容。P2P技术最大的特点是没有中心节点,系统完全分布,这虽然使得P2P系统具有健壮性和可扩展性,但也加大了设计适用于P2P系统的数据挖掘算法的难度。　　聚类是一种常用的数据挖掘技术。本文在分析了不同 P2P拓扑结构特点的基础上,通过深入研究了不同聚类算法的聚类过程,总结了 P2P系统中的聚类算法需要满足的条件,并在此基础上设计了 KIPN(K-mean In P2p Networks)聚类算法和SOC(Structure Overlay Clustering)聚类算法分别用于非结构化拓和结构化拓扑P2P系统的聚类。　　KIPN算法是一个非结构化拓扑P2P系统的k-mean算法,通过扩展经典k-mean算法的迭代过程,在每个节点只与其直接相邻节点交换信息的情况下通过有限次迭代使每个节点上的局部数据在全局视图下聚类。经实验数据分析验证KIPN算法可以适应P2P系统中的节点动态变化,并与集中式聚类算法有相似的聚类结果。　　SOC算法利用结构化CAN系统中数据严格按照规律分布的特点,将系统坐标空间与聚类数据空间重叠,使相邻数据存储在同一(或相邻)节点上。用系统坐标空间划分的逆过程进行凝聚型层次聚类,使CAN系统数据聚类达到与集中式聚类算法相同的结果。通过分析 SOC算法的聚类过程得到在数据维数一定的情况下算法的时间复杂度与系统中的节点数呈线性关系。　　本文的另一个工作是设计并实现了一个 P2P聚类算法的仿真实验系统,并在该系统中对两个算法进行仿真实验。系统设计时使用了设计模式中的思想,使两个算法能够方便在同一框架下实现。