在如今的大数据时代,随着互联网技术的飞速发展,信息量的指数级增长为用户提供了诸多便利,但随之而来的问题是面对海量的数据,用户在很多情况下往往不知道自己真正的实际需求。在这样的背景下,推荐算法应运而生。推荐算法可以帮助用户快速找到和自己预期匹配的信息,另一方面也可以利用推荐算法为用户推荐感兴趣的信息。另外,随着机器学习和大数据云计算的热门兴起,传统的依靠电影类型、名称、演员表等的推荐方法已经不能满足人们的需要,而颜色作为图像的重要特征,成为了推荐算法的一个新的突破口。但是随着算法复杂度的提高和待处理数据集的扩大,单一机器的运算量已经无法适应这种规模的数据处理过程,使得整个联合算法运行速度缓慢,而且扩展性也不尽人意。因此本文使用了Hadoop并行运算来解决数据处理的瓶颈问题。本文重点研究了提高聚类算法在提取海报主色上的精度问题,颜色因素对电影数据协同过滤推荐算法准确度的影响以及算法时耗的问题。通过将传统的密度思维从选取初始聚类中心上移至聚类结果优化处理上,从而减小了密度计算的数据集,相对节省了密度计算的时间开支,并且保证了聚类结果不会像基于密度选取初始点那样随着平均迭代离开理想的高密度区域,从而保证了计算效率。为了进一步提高算法的运算效率,本文脱离了传统的单机运算,利用Hadoop并行计算框架,将数据集分散成数据块分发给工作的数据节点利用MapReduce编程模型进行并行运算。实验结果表明,本文提出的聚类改进算法,有效地缩短了计算时间,并且相比需要历经漫长的计算才能提取初始聚类中心,又经过几次平均迭代却无效化的传统的密度改进算法,将密度的思想有效的落实。并利用Hadoop技术进一步缩短了算法的整体运行时间。通过进一步的实验,利用聚类产生的颜色信息进行带有颜色信息权重的协同过滤推荐算法,证明了颜色信息能够在一定程度上提高推荐精度的理论。