聚类分析在数据挖掘领域中占有重要的一席之地,主要是用来发现数据对象在空间中的分布结构。根据数据对象间的相似度量,聚类算法将数据对象集合分割成若干个簇,在同一个簇中的数据对象有比较高的相似性,但是在不同的簇中的数据对象的相似性就比较小。在现实世界中,数据簇之间往往是重叠的。换句话说就是,数据簇之间没有明显的界限,它们之间往往存在交叉或重叠的数据对象,这些数据对象可以属于多个簇,Overlapping聚类算法就是为了将这些Overlapping数据对象更好地划分,并找到它们。本文提出了几种关于表述数据簇与数据簇之间相似性的方法,并在这些方法上建立了关于Overlapping聚类框架。该框架主要包含三个部分：聚类、选择和融合。在聚类部分中,所有的聚类算法都可以使用。在选择部分中,数据簇之间存在Overlapping数据对象的簇将会被选择出来,本文提出了基于软聚类和硬聚类的选择方法。在融合部分中,将被选中的簇进行融合,Overlapping的数据对象将会被划分到两个或多个簇中。此Overlapping聚类框架的建立,使得所有聚类算法都可以使用,这对表征数据对象在空间中分布是有好处的,此框架在处理数据时更加灵活。它可以可以使之前的非Overlapping聚类算法,在此框架下发挥作用,来解决Overlapping聚类问题。在面对大数据时,无论是在数据吞吐或者运算能力方面,单机串行的聚类算法都无法有效地满足实际需求。我们基于MapReduce编程模型对Overlapping聚类算法进行并行化设计与实现,并在Hadoop平台上处理大数据集。通过实验分析,基于MapReduce编程模型的并行聚类的处理大数据的效率比较高。