随着在线社交网络的盛行，微博作为一种方便快捷的信息传播载体，已经成为人们交流互动的重要方式。微博服务拉近了网民之间的距离，使用户可以快速的发布、接收及传播信息。微博在国内外迅速流行的同时，粉丝数逐渐成为了衡量用户知名度及用户排名所参考的一项重要指标。随之衍生出的僵尸粉（即僵尸用户）扰乱微博正常秩序，引发微博信任危机。僵尸用户经过长期地演变，其行为表现变得越发类似真实用户，因此，如何快速准确地甄别僵尸用户已成为维护微博公信力所亟待解决的一项问题。本文选取国内最具影响力、发展最迅速的微博平台之一——新浪微博作为数据分析对象，并使用新浪API接口获取用户数据信息，用于研究分析及模型有效性验证。通过数据分析，本文找出了僵尸用户和真实用户的粉丝关系网络是否存在聚类现象上所呈现的明显差异。此外，结合僵尸用户和真实用户在粉丝数、关注数及发微博频率等行为上的差异，提出用户可信度计算算法及用户活跃度计算方式，并构建得出基于用户粉丝聚类现象的僵尸用户检测模型。经实验验证，此模型在检测准确性及稳定性上表现良好，但是检测效率偏低。同时，考虑到微博用户信息量巨大，数据处理较为耗时，本研究在原有检测模型的基础上结合云计算技术，将僵尸用户检测模型中较为耗时的四个模块利用MapReduce技术做出改进，提高模型的可用性。经搭建Hadoop集群将改进前后的模型建立对比实验，实验结果表明改进后的模型在保持原有检测准确率及稳定性的基础上，检测效率有了明显的提高。并且，随着Hadoop集群节点的增多，检测效率增长趋势呈现出接近线性的加速比。