随着计算机技术和网络信息技术的飞速发展,特别是移动通讯技术的不断普及,人类已经积攒了海量的数据,并且数据规模仍然在以指数形式爆炸式增长。如何从这些海量数据中挖掘出有价值的信息是许多领域面临的一个难题。聚类分析是常见的数据挖掘技术,在很多领域被广泛应用。其中K-means算法是聚类分析中应用最为广泛的算法之一。然而,直接将K-means算法应用于大数据聚类分析时,存在很多缺陷,不能满足当前海量数据分析处理的需求。针对此问题,研究了K-means算法的改进以及其在大数据聚类分析中的应用。论文围绕大数据聚类分析问题,以提高大数据聚类分析质量和效率为牵引,研究了K-means算法在大数据聚类分析中的应用问题,主要研究工作如下。（1）在分析经典K-means算法优缺点基础上,提出基于leaders算法和随机抽样的改进K-means算法,算法以聚类高效的leaders算法作为预处理,使用其聚类中心作为初始值进行原始数据集的多样本集随机抽样和单样本集的K-means聚类,多随机抽样样本集的并集保证了抽样样本对原始类别的有效覆盖,而小规模的单样本集保证了K-means算法的高效运行,算法即保证了对大规模数据集聚类的效率,又提高了算法的运行效率,对比实验表明,改进算法具有较好的大规模数据集的聚类性能。（2）设计了一种抽样子空间约束的改进加权核K-means大规模数据集聚类算法,算法通过约束随机抽样样本生成的子空间,使其逼近原始数据的聚类中心,避免经典加权核K-means算法中全部核矩阵的使用,从而降低经典算法的时间空间复杂度。理论分析和实验结果表明,改进算法在保持与经典算法相近聚类精度基础上,大幅提高了聚类效率。（3）研究了大规模数据条件下K-means算法并行化问题。针对现有分布式聚类数据块之间由于缺乏信息交流影响聚类质量的问题,提出了基于信息交流的改进分布式聚类方法,修正了局部聚类结果,提高节点数据块聚类结果的质量。针对当前基于距离的局部聚类中心合并结果不准确的问题,提出了基于差异性的局部聚类中心合并方法,综合考虑距离差异性和分布差异性,提升了全局聚类结果的质量。仿真实验结果表明,提出的改进分布式K-means算法能够在保证聚类精度的前提下,显著提升大数据聚类的计算效率。