作为一种典型的聚类算法——蚁群优化聚类,借助其较强的鲁棒性、易于与其他方法结合等特点,在各领域都得到了广泛的应用。而随着互联网的快速发展,数据规模的急剧增大,传统的蚁群优化聚类方法在处理大规模数据时存在内存不足、不能充分体现出蚁群算法并行优势、无法处理分布式数据等问题。Google公司提出的MapReduce计算框架是处理大规模数据的一个可选方案,在国内外的科学研究中,已有很多人研究基于该框架的聚类算法,并取得了很好的效果。因此,基于MapReduce计算框架对传统的蚁群聚类算法进行设计、优化具有重要的意义。本文首先对聚类分析算法做了详细的总结和介绍,从数据挖掘到聚类分析算法分类,再到ACOC聚类算法,分析和总结了当前常见的聚类分析算法,并针对ACOC聚类算法分析其优缺点；随后对MapReduce计算框架做了简要概述,并介绍了用于本实验的Hadoop平台的搭建工作。本文的重点是提出了一种基于MapReduce计算框架的蚁群聚类算法MR-ACOC,该算法通过将搜索空间复制和搜索空间分块进行结合,既解决了大数据的处理问题又体现了蚁群算法的并行机制；算法分别逐行读取信息素和数据,避免了数据规模过大时一次性读入信息素造成系统内存不足的风险。另外,为了提高算法的执行效率,本文通过对数据类簇和中心节点模块进行拆分、在目标函数值计算模块以及确定中心点模块中添加combiner函数、将数据源换成]Hbase数据源等方式对MR-ACOC算法做了进一步的优化。通过实验表明,该算法在处理大规模数据时具有很好的可扩展性和加速比。