随着数据存储技术的演进和大数据时代的来临,人类所能收集到的数据正在呈几何形式增长；然而,面对如此大量的数据,对数据分析正在变得越来越困难。传统的人工分析在面对繁杂的数据时,常有分析不准确、丢失或无法发现重要维度、极度耗时等问题伴随。数据挖掘技术,为繁杂数据的分析提供了解决之道。作为数据挖掘的一个重要工具,聚类分析在其1955年被提出之后,获得了长足的发展。其中,在最近年,海量数据分析引起了研究人员的兴趣。当聚类分析面对大型数据时,一般的处理方法是并行计算,或是对数据采样。并行计算对计算资源有较高的需求；而对数据的采样一般都会对数据的本身属性造成破坏。为了解决该问题,本文做出了如下工作：第一,提出了一种新的数据分析结构：块数据。该结构能全面反映一个对像的特征。第二,根据块数据的定义与数学意义,定义了计算块数据之间距离的公式。第三,基于定义的块数据距离,设计了一种新的层次聚类算法,实验结果验证了算法的有效性。本文的研究工作将进一步丰富聚类算法的数据适用范围,对数据挖掘和机器学习有重要的指导意义。