随着移动互联网、物联网技术的发展,各行各业的信息量也呈几何指数增长。如何从海量数据中挖掘出有用信息,已成为大数据应用领域的研究热点。K-Means作为数据挖掘中一个简单高效的聚类算法,被广泛运用于数据分析与处理。而K-Means聚类算法的最大挑战在于初始中心点的选取、通过减少局部最优的情况提高聚类质量、通过减少迭代次数提升聚类效率。因此,研究K-Means算法在当前分布式计算环境下的优化及并行化实现,对于大数据环境下的数据准实时分析及应用具有重要意义。论文结合分布式系统平台的并行计算框架,研究并优化K-Means算法及其并行实现,具体完成了以下主要工作:1.针对K-Means算法在聚类结果中容易出现局部最优、聚类结果不稳定、聚类过程迭代次数多等问题,提出了随机最大最小距离K-Means优化算法。并在Hadoop平台下利用MapReduce计算框架对优化算法进行了并行化实现,将优化算法与原K-Means算法、以及最大最小距离K-Means算法进行了文本聚类的实验对比,验证了优化算法能够减少初始点选取的迭代次数,提高聚类准确率,且具有时效性。2.在寻找K个初始中心点时,针对随机最大最小距离算法仍然具有迭代次数多的局限性。基于Spark计算框架,进一步提出了一种随机抽样聚类中心点选择方法,并给出了K-Means优化算法的并行实现流程。并分别在Spark平台与Hadoop平台下,对K-Means优化算法与原K-Means算法的并行实现进行实验对比,验证了Spark平台下的算法并行优化实现具有良好的加速比和伸缩性,更适用于大规模数据的聚类分析,具有更好的时效性。综上所述,针对K-Means聚类算法局部最优及中心点选择问题,结合分布式计算平台进行算法优化及并行化实现,能够有效提升算法的准确率、召回率以及运行效率,且具有良好的加速比和伸缩性,更加适用于大数据环境下的聚类分析。