互联网的出现与发展极大的方便了信息采集,并使信息的规模达到了质的飞跃,也导致了海量信息的堆积。如何从各种数量巨大的信息中提取人们所需的信息,将其转化为有组织的知识,成为亟待解决的问题。为应对这一问题,数据挖掘技术越来越受到各领域的关注。数据挖掘包含的内容很多,其中最常用、最主要的为聚类分析,其得到了广泛的应用,并具备重要的研究意义。聚类分析方法较多,其中最基础、最简便的为划分型聚类分析方法。划分型聚类算法中最为流行之一的K-means算法,该算法在聚类时存在明显局限性,其不能给出明确的初始粗中心点,而聚类效果会被不合理的初始簇中心点干扰,导致通常情况下不会得到全局最优解。而后来出现的HK算法,虽然具备一定程度的准确率与快速收敛等优点,但其时间复杂度是不能被接受的。本文通过使用分布式归并HK-means算法得到了分布式MHK算法,充分完善了上述的不足之处。具体应用表现为使用其聚类分析用户所需信息的数据指标,完成预处理后对数据对象进行聚类。结合2路归并的思想,并将其设计于mapreduce架构上,很大程度上提高了算法的执行效率。一方面,它可以明确用户所需信息的相关指标。另一方面,通过聚类分析,指标不仅可以进行综合分析和比较其数据管理,还能准确地找出指标数据之间差距的根本原因。为了使算法的有效性得到验证,针对不同类型的数据集进行应用并测试且得到了较理想的实验结果。此外,聚类分析方法在生物信息学中也得到了广泛的应用,故本文针对蛋白质定位位点的分析,研究给出了一种基于加权特征集成(WFE)的聚类算法,该算法基于具有多个指标特征的酵母蛋白质测量数据,预测酵母蛋白质定位位点是众多研究方法中发展潜力最佳的。WFE过程首先为特征分配不同的权重,然后计算并呈现结果以获得最佳结果,其中,根据去除最高和最低分数的原则去除噪声以计算平均分数并且通过直方图来测量分数的大小,并获得最大平均差的索引。基于WFE的算法和基于加权特征思想的其他几种聚类算法的实验结果表明,我们的新算法在准确性以及稳定性方面都优于其他特征加权类型算法。