聚类分析是数据挖掘领域中的重要研究方向。在过去的数十年中,出现了大量聚类算法,其中,谱聚类由于其在非线性可分的数据中的优异表现而被广泛应用。此外,随着互联网的不断发展,网络中产生的数据也越来越多,形成大数据。因此,如何将谱聚类算法应用到大数据中,挖掘其中的有用信息变成十分重要的研究课题。然而,谱聚类算法存在严重的可伸缩性问题,谱聚类需要极高的时间复杂度和极高的空间复杂度来计算和存储相对应的拉普拉斯图和对该图进行特征分解。虽然在过去的二十年中,大量大数据谱聚类算法大幅减少了谱聚类的时间复杂度和空间复杂度,但在大数据问题中,它们仍然需要大量的时间和内存去完成谱聚类任务,特别是当内存不够时,算法就不能运行。这表明在大数据谱聚类问题中,计算瓶颈仍然是一个重要且没被解决的问题。为此,本文提出一种基于矢量量化的大数据谱聚类框架（VQSC）,一个简单高效的轻量大数据谱聚类框架,在有限资源情况下的快速解决大数据谱聚类问题。本文主要研究内容可以简单概述如下:（1）本文提出了一种基于近似k-means的快速矢量量化技术。该技术通过对从原始数据中随机采样的样本点实施k-means算法获得一些原型,然后用这些原型去代表原始数据来完成谱聚类运算。此外,本文也分析了近似k-means算法的理论误差。（2）本文提出了一种信息增强的原型相似度计算技术。不同于直接计算原型之间的距离,并用这些距离来进一步生成原型之间的相似度,本文通过原型和样本之间的关系来计算原型之间的相似度,这使得构建的原型拉普拉斯图中包含了样本的信息。（3）本文提供了一种分批快速聚类技术。根据矢量量化的性质,每个数据只需要计算和所有原型的距离,并直接分配到距离最近的原型那一类。不同于现存的大数据谱聚类方法,VQSC只需要在内存中保存原型,然后分批读入数据即可完成聚类。（4）本文为VQSC提供一个扰动分析,分析了原型近似特征向量和目标特征向量的扰动误差,其中原型近似特征向量和目标特征向量分别代表原型拉普拉斯图的特征向量和原始数据集直接构成的拉普拉斯图的特征向量。在八个不同大小的数据集的实验结果表明,本文提出的VQSC能够快速在小内存的情况下完成大数据谱聚类任务,很好地补充和完善了当前大数据谱聚类算法的研究。并且,本文对VQSC所涉的参数进行了实验分析,证明了VQSC所涉及的参数具有较高的稳定性和灵活性,能很好适应大数据谱聚类任务。