伴随着计算机技术的迅猛发展以及互联网的快速普及，人们所接触的数据量（包括有结构和无结构的文本数据）呈现爆炸式增长。当前，如何有效快速地从海量数据中挖掘出有价值的信息具有重要的意义。聚类分析是进行数据挖掘的核心技术之一。传统单机的聚类算法无论从效率上，还是从计算复杂度上都已无法满足海量信息的处理需要，云计算技术的发展为聚类分析提供了新的研究方向。Hadoop，作为Apache下的开源的项目，是一个用于构建云平台的分布式的计算框架。在 Hadoop平台上，采用HDFS（分布式文件系统）存储数据，采用MapReduce编程模式来实现对海量数据的并行化处理。根据传统聚类算法本身的特点，并且结合MapReduce的编程模式，使得开发人员不需过多了解并行化的具体通信实现，就可以实现聚类算法的快速并行化，高效而且容易实现。本文对传统的各种聚类算法进行了比较，针对传统的K-means算法在初始聚类中心选择的随机性以及聚类结果的局部最优性进行了适当的改进，并将改进结果结合Hadoop框架进一步应用到实际项目中的相关领域，而且进行了深入的研究。结果表明，这些改进使得算法在执行效率和结果的精确性方面都有明显提高。　　本研究主要内容包括：⑴研究了MapReduce编程模型，分析了传统K-means算法以及Canopy算法的优缺点，提出了基于canopy的二次聚类算法(CTK)的思想，并给出了该算法在Hadoop上的并行设计框架，描述了其具体实现。⑵分析了最大最小距离算法，提出了基于最大最小距离原理的K-means聚类算法(MMKMEANS)的思想。结合MapReduce编程模型，实现了该算法在Hadoop平台上的并行化。⑶分析了聚类应用于热点生成的整体流程。研究了使用nutch采集网页信息的策略，以及解析后的网页内容表示成文本向量的并行化实现过程，并以此提供上述算法的实验数据，并且还给出了聚类用于热点生成的并行化实现。⑷通过实验结果验证了上述算法在文本聚类中的聚类质量、查准率、查全率以及并行化的加速比等方面的优越性。