人们生产和生活中会产生各种各样的数据,这些数据中往往蕴藏着丰富的信息。如果能将这些蕴藏的信息挖掘出来,可能为人类的生活和工作带来巨大的改善,这种需求导致了数据挖掘的诞生。聚类分析是数据挖掘领域中一种非常重要的数据分析方法,它将数据库中的数据分割成不同的簇(类),并使簇内数据之间的相似性比簇间数据之间的相似性大。目前,聚类分析已在社会网络分析、统计数据分析、智能商务等领域得到广泛应用。随着互联网和数据库技术以及硬件存储技术的提升,导致人们获取和保存海量数据成为可能。如何能够使用数据挖掘方法快速对高维大规模数据进行分析和信息提取成为现今一个热门课题。基于此,本文针对当前密度峰值聚类算法的高复杂度和高计算量等问题,使用云计算框架MapReduce,研究了一种基于z值的分布式密度峰值聚类算法(DP-z)。该算法利用空间z填充曲线将高维数据集映射到一维空间上,根据数据点的z值信息对数据集进行分组。为了能够得到正确的聚类结果,再对分组间数据进行交互,然后进行并行计算。DP-z算法在分组间数据交互时采用过滤策略,减少大量无效距离计算和数据传输开销,有效提高算法的执行效率。本文通过理论分析可知,DP-z算法与原始密度峰值聚类算法相比,在得到聚类结果相同的情况下能够有效的提高算法执行效率。本文在Hadoop开源云计算平台上,设计并实现了DP-z算法,并通过对比实验,验证了本文研究方法的有效性。此外,针对基本的密度峰值聚类算法在进行密度计算时所存在的距离不敏感而导致密度计算时可能会产生误差的问题,本文研究了一种改进的密度峰值聚类算法,改进的密度峰值聚类算法在原始密度峰值聚类算法的密度衡量方法的基础上,对密度测量方法进行了改进。本文以数据点的一定范围内数据点的个数为基数,以在该范围内数据点的分布情况为附加信息,从而更加精确地测量出每个数据点的密度,提高聚类算法精确性。本文通过实验验证改进的密度峰值聚类算法比原始聚类算法具有更好的聚类效果。