随着计算机技术的飞速发展以及网络的普及,人们在应用过程中产生和收集的信息在规模、范围和深度等方面不断扩大。这些海量的数据在组成和功能之间存在着丰富和复杂的信息,因此人们希望能够对其进行更高层次的分析。K均值算法是基于原型的聚类技术,具有简单、快速和有效处理大规模数据等诸多优点,是应用最广泛的聚类方法之一。缺点是存在过度依赖初始条件,如初始聚类中心的选取等都会影响聚类结果,制约了其应用范围。二分K均值聚类算法是K均值算法的变种算法,通过使用基本K均值算法能够产生划分聚类算法或层次聚类算法,具有不受初始质心选择影响的优点。聚类实际应用处理对象多为海量数据和高维数据,具有很高的时间和空间复杂性。在处理海量TB级文本数据时,利用多台主机组成的群集系统,具有强大的并行计算能力。基于群集环境下的二分K均值聚类算法并行化研究,可以极大的提高工作效率,具有一定的现实应用意义。本文针对二分K均值聚类算法在二分聚类过程中初始质心选取速度方面存在的不足,提出了以极大距离点作为二分聚类初始质心的思想,较好的改善了算法的运行速度。深入研究和分析了如何在群集系统中进行快速聚类,根据二分K均值聚类算法的特性,采用数据并行的思想和均匀划分策略,对算法进行了并行化。最后的实验结果表明,改进后的算法获得了理想的加速比,提高了算法的使用效率。