聚类和分类是当前计算机人工智能领域的研究热点之一。人们渴望快速而准确地获取并处理信息,可是互联网上数据不但数量庞大,而且结构各异。信息自动聚类和分类技术,成为充分利用互联网资源的有效途径。本文首先综述了现有的聚类和分类技术,分析了具有代表性的聚类和分类算法。随后从两个方面来改进现有的分类和聚类工作。第一,如何提高现有聚类算法对海量信息处理的能力。在这一方面本文提出了一种并行聚类算法,该算法构建在MapReduce并行框架上,使原本内存消耗大、计算复杂度高的聚类算法得以通过分布式计算框架直接应用于大规模数据聚类;第二,如何有效利用用户已标注信息和未标注数据来提高分类精度。在这一方面本文提出了一种基于图模型的半监督分类方法,这种分类方法不但利用已标注样本点的判别信息,而且整合了未标注样本的数据分布。实验证明,与传统支持向量机和线性判别分析等分类算法相比,这种分类方法大多数时候能获得更高分类精度。