聚类分析是数据挖掘领域中一个最重要的构成部分。在数据挖掘过程中,无需使用任何先验知识,聚类分析的目标是将聚类簇内的数据对象相似性最大化,不同聚类簇间的相似性最小化。密度聚类作为一类聚类分析方法,具有聚类速度快和在任意形状聚类簇数据集上都适用等优点,但存在无法区分不同密度的相邻聚类簇等缺点,且随着数据量和数据维度的急剧增长,其聚类效率低下,无法适应高维海量数据。本文采用逆近邻和影响空间的思想,对密度聚类算法及其并行化进行较深入的研究,有效地克服了其无法区分不同密度的相邻聚类簇等不足,并有效地提高了密度聚类分析的效果。其主要贡献如下:(1)采用逆近邻与影响空间相结合的思想,给出了一种密度聚类分析算法。该算法首先利用欧式距离计算数据对象的K近邻与逆近邻,依据逆近邻识别其核心对象,并确定其核心对象的影响空间;其次利用逆近邻和影响空间,重新定义了密度聚类簇扩展条件,并通过广度优先遍历搜索核心对象的影响空间以形成密度聚类簇,从而可以有效地区分不同密度的相邻聚类簇,进一步提高了密度聚类分析的精度和效率。最后,选用UCI真实数据集和人工仿真数据集进行聚类分析,实验结果验证了该聚类分析方法的正确有效性。(2)在Spark并行计算环境下,给出了一种基于逆近邻和影响空间的并行聚类分析算法。该算法首先引入局部敏感哈希的思想,采用P-稳定分布哈希函数计算数据对象的近似k近邻与逆近邻,可有效减少全局检索数据集的次数,降低算法运行时间;其次利用数据对象的逆近邻和影响空间进行聚类簇扩展,可有效区分不同密度的相邻聚类簇,并且因spark集群架构特性,弹性分布式数据集中的数据对象在内存中保存与计算,可明显减少硬盘的I/O次数,有效地提高了聚类分析效率;最后采用人工仿真数据集,实验验证了该算法在Spark分布式计算平台上,具备聚类效率高、可伸缩性与扩展性良好等优点。