随着大数据时代的到来,各行各业都面临着处理海量数据的压力,如何快速且有效的从海量数据中挖掘出有用的价值和信息成为当下的研究热点。作为一种无监督的数据挖掘算法,密度聚类算法的提出使人们能依靠事物自身的相关特征来挖掘出事物之间潜在的分布联系,然而在大数据环境下,传统的密度聚类模型和方法也受到了极大的挑战。随着MapReduce等分布式框架的提出和广泛应用,基于分布式计算架构的并行密度算法逐渐成为研究的主要方向,尤其是目前在时效性和准确性方面上的并行密度聚类算法研究不仅对大数据的快速处理和实时挖掘具有重要意义,而且为各行各业的人们做出精准判断和决策支持提供重要保障。目前,大数据下的并行密度聚类算法虽然取得了一定的成效,但由于在并行过程中对数据的分区与局部簇的合并缺乏合理性且计算效率较低,再加上目前密度聚类算法自身的局限性,因此现有的大数据下的密度聚类在并行效率和聚类结果准确率上普遍不高。针对这些问题,本文在提升并行密度聚类挖掘算法的性能上主要从三个方面入手,一是根据数据点的空间分布状况,设计自适应的数据划分策略来提升数据分区的合理性。二是利用快速索引存储结构设计并优化算法在不同阶段的MapReduce并行策略。三是利用加权网格来加强数据分区的关联性,以及利用群智能优化算法的优势来解决聚类算法的参数选取敏感问题,以此来提升算法的聚类效果。针对大数据下基于密度的聚类算法中存在的数据划分不合理,聚类结果准确度不高以及并行化效率较低等问题,提出了一种基于MapReduce和加权网格信息熵的并行密度聚类算法DBWGIE-MR。该算法首先提出自适应网格划分策略ADG来划分网格单元;其次根据数据点以及数据分区之间的关联性,提出邻居网格扩展策略NE用于构建每个数据分区的加权网格,以此提高聚类效果;同时提出加权网格信息熵策略WGIE来计算网格密度以及密度聚类算法的?邻域和核心对象,使密度聚类算法更适用于加权网格;接着结合MapReduce计算模型,提出并行计算局部簇算法COMCORE-MR,从而加快获取局部簇;最后提出了基于并查集的并行合并局部簇算法MECORE-MR,用于加快合并局部簇的收敛速度,提升了基于密度的聚类算法对局部簇合并的效率。实验表明,DBWGIE-MR算法的聚类效果更佳,且在较大规模的数据集下算法的并行化性能更好。针对大数据下并行密度聚类算法中存在的数据划分不合理、参数寻优能力不佳、并行性能较低等问题,提出一种基于KD树和IFOA的并行密度聚类算法MR-DBIFOA。首先,该算法提出基于KD树的网格划分策略KDG来自动划分数据网格;其次在局部聚类中,设计基于自适应搜索策略KLSS和聚类判定函数CCF的果蝇群优化算法IFOA;然后根据IFOA算法进行局部聚类中最优参数的动态寻优,从而使局部聚类的聚类效果得到提升;同时结合MapReduce模型提出局部聚类算法DBIFOA;最后提出了基于QR-Tree的并行合并局部簇算法MR-QRMEC,实现局部簇的并行合并,使算法整体的并行性能得到加强。实验表明,MR-DBIFOA算法在大数据下的并行效率更高,且聚类效果更好。