互联网上的数据以海量的规模存在并迅速增长,从海量的数据中挖掘出价值含量高的信息是技术上的迫切要求。聚类算法作为一种非监督学习的方法,是包括数据挖掘、机器学习、模式识别、图像分析等诸多领域数据统计分析的一种常用技术。传统的串行式的聚类算法存在着两个问题,已经难以满足实际应用的需求：一是聚类的速度不快,效率不是很高；二是在面对规模比较大的数据时,受制于内存容量的限制,往往不能有效地运行。Google提出的MapReduce概念是当前比较流行的分布式计算框架。本文研究两种在MapReduce上实现的聚类算法：并行化谱聚类和并行化AP聚类。分别实现这两种算法在10台机器组成的Hadoop集群上分布式计算。并行化谱聚类算法的策略是计算相似矩阵和稀疏化时按数据点标识切分；计算特征向量时把拉普拉斯矩阵存到分布式文件系统HDFS上,采用分布式Lanczos运算,并行计算得到特征向量；最后对特征向量的转置矩阵采用并行K-means聚类得到聚类结果。通过对算法的每一步采用不同的并行策略,使得整个算法在速度上获得线性增长。并行化AP聚类的策略是先把吸引度矩阵和归属度矩阵分布式存储在HBase上,每次迭代中的吸引度矩阵和归属度矩阵的计算按行分割,使其矩阵值的运算按行分布在多台机器上运算。随着机器的增加,以线性的增长速度加快算法的运算。通过在Corel图像集上做实验,分析比较两种并行聚类算法在MapReduce框架上的性能和聚类效果,从而为上面提到的两个聚类问题(“效率”和“有效”)的解决提供思路。