计算机信息技术快速崛起发展,人们社会生产活动中产生的数据也越来越多。在不断增多的数据中,有一种数值型的多维数据:复杂度高,蕴含的信息量大。如何发现数值型多维数据的内在规律、挖掘更有价值的信息,为后续的研究提供有效的帮助和指导,是一个重要的研究课题。多维数据可视化中的平行坐标可视化技术能够直接、全面展示多维数据对象间的关系,为数据分析提供重要的方法和途径。平行坐标可视化技术在有限平面内对多维数据进行展示时,平行坐标图中的线条由于空间拥挤,重叠覆盖在一起,造成视觉混乱,数据规律难以发现。降维技术、聚类技术与平行坐标可视化技术相结合,能够很好地解决这个问题。论文结合这3种技术进行研究,实现可视化平台。主要工作有以下3个方面:首先,基于t-SNE,提出改进的t-SNE算法。改进算法中用加权的欧式距离来度量高维空间样本点之间相似度,得到更加精确的样本点相似度;针对算法中损失函数,添加L2正则化作为惩罚项,限制目标函数过拟合,经过多次迭代后获得最佳的目标函数。改进算法和其他降维算法用加州大学欧文分校提供的UCI数据库中的Wine(葡萄酒)数据集进行仿真实验,验证改进算法的降维效果。利用改进的t-SNE算法对数据集做降维处理,然后用平行坐标可视化技术展示,通过与未降维处理的可视化图形实验对比,证明提出的方法能够改善平行坐标可视化效果较差的问题。其次,基于K-means,提出改进的K-means算法。改进算法中用Canopy算法“粗”聚类生成k个Canopy点,作为K-means的初始聚类中心;用加权的欧式距离对数据点进行划分聚类簇,避免传统欧氏距离中的“距离失真”问题。改进的算法与其他聚类算法用加州大学欧文分校提供的UCI数据库中的Iris(鸢尾花)数据集进行仿真实验,验证改进算法的聚类效果。利用改进的K-means算法对降维后的数据集进行处理,再用平行坐标可视化技术展示,通过与未聚类处理的可视化图形实验对比,证明这种方法能够更加直观的发现数据对象之间的联系。最后,以研究生期间参与的武陵山片区茶叶质量安全可视化组追溯大数据平台为基础,利用web前端技术开发多维数据可视化平台,结合国家统计局提供的农产品产量数据集验证了平台不仅适用于低维数据可视化,还满足多维数据可视化。改进的降维算法和聚类算法与平行坐标可视化技术相结合,能够让可视化效果更好,进行数据分析更方便。