数据挖掘领域涉及很多方面的知识，聚类分析是该领域中的技术之一，也是该领域中重点研究内容之一。聚类分析实际上是对数据集进行分类、分组的一种方法。聚类分析应用广泛，在机器学习、生物学、统计学、市场营销等等很多领域都被用到，在这些领域中聚类分析起到了至关重要的作用，做出了不小的贡献。聚类算法是聚类分析中起着决定性作用的部分，聚类分析的中的聚类算法有很多，其中层次聚类算法是主要算法之一。层次聚类算法的特点是结构简单、运行时速度快，并且在遇到大规模数据集的时候，它能够对其进行有效的处理。该算法是实际应用中聚类分析的支柱。层次聚类算法在运行时，会对所有待聚类数据进行距离计算，得到距离矩阵，然后按照矩阵中元素的值对类进行合并操作，产生新的类，但是每一次合并操作之后，要再次对需所有类进行类间距离的计算，这样的操作使得计算的时间复杂度很高。随着数据规模的不断递增，提高聚类效率和聚类质量也是一个刻不容缓的研究方向。基于上述分析，针对层次聚类算法存在的问题，本文对传统层次聚类算法进行了改进，通过把类之间的距离按照一定顺序进行排序，以此来解决合并类后还要重新计算距离的问题，在此基础上本文又结合了最小生成树的算法，即克鲁斯卡尔算法对层次聚类算法做了进一步改进，总体上使得算法可伸缩性得到提高，计算复杂性得到降低。为进一步提高算法执行效率，论文同时研究了并行层次聚类算法的并行实现。选用局域网环境，并行虚拟机PVM和LINUX，共同搭建的机群系统作为并行计算平台。在并行程序的模型上采用了基于MPI消息传递接口的模型。论文在时间复杂度问题上，进行了理论分析，并且进行了实验，从这两个方面对并行算法进行了评价。实验结果表明：基于MPI的层次聚类算法的聚类结果与串行算法相同，但执行效率得到了很大的提高。