随着信息技术的进步,数字图书馆的社会价值日益凸显,数字图书馆的建设受到了众多国家机构的高度重视。如何在现有资源的基础之上挖掘数字图书中的信息,改进基于内容的数字图书检索是数字图书馆研究的一个重要方面。本文主要研究了分布式聚类技术及在数字图书馆中的应用。数据规模日益增长的今天,大规模数据处理非常有挑战性。许多并行算法已被提出,如基于MapReduce的分布式K-means聚类算法、分布式谱聚类算法等。近邻传播AP聚类能克服K-means聚类算法的局限性,但是对海量数据的处理性能不高。为了有效实现海量数据聚类,利用相似度稀疏化以及层次采样的方法,我们提出了两个基于AP聚类改进的并行算法。在层次采样的方法中先将数据点随机划分为规模相近的子集,并行地用AP聚类采样各子集,然后融合各子集的采样数据再次进行AP聚类,最终用产生的聚类代表为所有数据点指派聚类中心。在人工合成数据、人脸图像数据、IRIS数据等数据集上的实验表明,该算法对数据规模有很好的适应性,在保持AP聚类效果的同时可有效缩减聚类时间。在研究了Hadoop中基于MapReduce的布式计算技术后,本文利用层次采样的方法设计了基于MapReduce的分布式AP聚类算法——DisAP,并验证了DisAP对数据规模的适应性。DisAP已应用到数字图书馆大规模数据挖掘与分析之中,我们设计了针对中草药数字图书的多媒体信息检索框架。该框架首先利用图像处理、特征抽取、关键词提取等技术分析数字图书的内容,‘然后利用爬虫技术收集互联网资源与这些信息进行语义关联,并利用分布式AP聚类技术处理图像数据生成视觉单词来表达图像的特征,最后在这些数据的基础上创建索引构建了数字图书馆中医药搜索引擎。