为了有效地从海量数据中获得我们所需要的信息,高效、高质量的聚类分析显得尤为重要,但也面临巨大的挑战。面对离散、多样、多维的海量数据,一些传统的基于距离的聚类算法聚类质量并不理想,而适合离散属性且聚类质量相对较高的基于图形的聚类算法计算复杂度普遍较高,计算难度大。基于Hadoop分布式计算平台具有强大的数据分析与处理能力,本文从提高海量数据聚类效率与质量出发,提出了一种使用Hadoop平台的可扩展分布式图聚类方法,即在MapReduce模型下实现图聚类方法,并使用这种方法设计并实现了基于MapReduce的最小生成树(MST)的聚类算法。本文的主要工作有：对MapReduce模型进行了详细解读,了解其相关的一些算法,分析了其研究现状,并对聚类分析及其研究进行了一定分析,在此基础上提出了基于MapReduce的最小生成树的聚类算法。该算法既解决了基于距离的聚类算法中存在的问题,又很好地解决了图聚类算法的计算复杂问题,很大程度上提高了海量数据聚类的效率与质量,对海量数据的分析与处理起到了重要作用。本文详细分析了MST聚类算法的并行化实现。重点设计了该聚类算法在MapReduce模型下的实现过程,分别在MapReduce模型下对特征向量的提取、图的生成、MST的生成等步骤一一进行了实现。并分别对算法中涉及到的特征权重、相似度度量与MST聚类的实现进行一定的优化设计。最后通过相关实验对其性能进行了比较分析,并对该方法提出了一些展望。