随着全球信息技术的快速发展与应用，大数据时代已经来到，大数据挖掘技术应运而生，它是一种从大规模、快速到达、异构的数据源中有效地挖掘有价值知识的数据处理技术。本文把面向大数据的聚类挖掘算法作为研究重点，针对大规模数据集与高速数据流两大特点，对大数据聚类挖掘算法进行研究，以提高挖掘效率为目标，既研究算法本身的改进又研究算法基于云计算的并行化。针对高速数据流聚类，以提高实时在线流数据聚类挖掘的准确性为目的，通过对StrAP算法加以改进，设计了一种基于滑动时间窗口模型的在线聚类算法ISTRAP，并通过仿真实验验证了该算法的性能。在ISTRAP算法之上，依据对数据流历史数据及演变分析的需求，进一步设计了层次化的流数据聚类算法HSCLUSTER算法，并通过仿真实验验证了该算法的良好性能。针对大规模数据集聚类，以降低大数据聚类挖掘的时间复杂度为目标，提出了一种基于Hadoop云计算平台的并行化加权AP聚类挖掘算法P-WAP算法。为了验证所提出的P-WAP算法的有效性，设计了基于Hadoop的仿真实验，实验结果表明，P-WAP算法能够很好地适用于大规模数据集的聚类挖掘。本文还将P-WAP算法应用于文本聚类，在实验文本数据集上运用P-WAP算法的聚类结果表明，P-WAP算法通过对大量的文本信息进行自动分类，能够较为准确地聚类文本，使文本集的使用和管理变得更加高效和方便。本文研究内容能适应大数据的规模性（volume）、高速性（velocity）和持久性（vitality）特点，研究内容较先进，研究成果具有一定理论价值和良好的实用性，研究成果可用于电子商务、物联网等拥有大数据的应用场景。