在信息化社会中,每天各行各业都在产生大量的数据,通过聚类分析可以从海量的数据中发现有价值的信息。但是随着数据规模增大,聚类处理过程耗时严重,无法满足人们对数据处理速度的要求,因此本文对聚类算法在众核GPU平台上的改进和并行化进行了研究,主要包括以下几个方面:1.针对K-means算法的聚类结果易受初始类簇中心影响的问题,本文提出一种改进的初始类簇中心选择算法。该算法首先通过初始化多组类簇中心,然后分别计算多组类簇中心的适应度值,最后选择适应度值最大的那组类簇中心作为初始类簇中心。在聚类基准数据集上的多次聚类的实验结果表明该方法的聚类结果更加稳定。2.在K-means算法中,由于样本点到类簇中心距离的计算过程具有数据并行性且计算耗时,本文给出了一种基于GPU的并行K-means算法,将样本点到类簇中心的距离计算在GPU上进行并行处理,从而提高算法运行效率。实验表明,并行化后的K-means算法具有较高的加速比。3.针对密度峰值聚类算法存在的问题,本文利用k近邻改进的密度峰值聚类算法,该算法首先基于k近邻计算出样本点的局部密度,然后基于最小二乘法线性拟合选取初始聚类类簇中心并对剩余样本进行指派形成初始聚类结果,最后基于密度可达性分析对初始聚类结果进行类簇合并形成最终的聚类结果。在基准实验数据集上进行实验结果表明本文改进的方法聚类效果更好。4.在密度峰值聚类算法中,由于样本点的局部密度、距离和决策值的计算具有数据并行性,本文给出了一种基于GPU的并行密度峰值聚类算法,将样本点的局部密度、距离和决策值的大量计算任务在GPU上进行并行处理,从而提高算法运行效率。实验表明,并行化后的密度峰值算法具有较高的加速比。