在过去的十年里,云计算技术在世界范围内迅速的发展,云计算技术强大的计算能力为海量数据挖掘提供了新的生机,将海量数据挖掘算法迁移到云计算平台具有非常重要的现实意义。Hadoop是目前最为流行的开源云计算平台,它以海量数据处理为核心,本文也以其为平台对数据挖掘算法——K近邻算法进行研究。本文的主要工作有以下两点:(1) K近邻算法思想简单,分类效果良好,但是该算法的分类时间会随着训练样本数的增加以平方级别增大。目前针对这一问题的改进主要从加速搜索速度和压缩训练样本两方面进行。本文从压缩训练样本方面提出了一种基于决策边界的压缩K近邻算法简称为DBCNN。算法以分类边界附近的样本点对分类的贡献率大,而远离分类边界的样本点对分类的贡献率小为理论基础,通过计算训练样本中的样本点在非自身类别的样本集中的K近邻来寻找分类边界附近的样本点,并以此为依据压缩训练样本,从而提高算法的分类效率。实验证明:DBCNN算法能够以尽可能少的分类精度损失来压缩训练样本。(2) DBCNN算法时间复杂度O ( k~2n~2),随着训练样本数的增加,其计算量以平方级别增长,面对海量数据处理时,是DBCNN算法的一个瓶颈。利用Hadoop平台对海量数据处理的优势,本文通过深入分析DBCNN算法的实现环节,证明DBCNN算法的可并行化,根据Hadoop平台的编程模型MapReduce设计并行方案并实现。通过实验证明:数据量越大,随着Hadoop节点数和算法并行度的增加,Hadoop集群相对于单机上的运行效率的相对加速比也就越大。