如今,大数据、移动互联网已经成为这个时代的共识,只有依靠大数据技术深入挖掘数据中潜在的价值才能为企业在时代浪潮中提供更可靠的决策依据。因此,大数据处理技术成为人们研究的热点。Hadoop目前已经成为批处理的标准,而目前人们对实时处理、个性化查询要求越来越高,所以Storm出现了,而目前对Storm实时流处理技术的研究仍然处于初始阶段。论文对Storm实时流处理技术与其他相似技术进行了比较,总结了相关技术的优势所在以及适合的应用场景。对Storm进行数据处理时存在的相关问题也进行了研究并进行了相关的改进。实现了Storm与Spring框架的结合,实现基于xml配置文件定义Topology,减少组件间的耦合性。通过K-means算法并行化进行用户聚集度分析,实现了整个分析系统的并行化,最后总结了Storm系统性能优化的基本思路。总结起来,论文主要进行了如下方面的工作：分析和比较了流行的大数据处理技术,尤其是流处理技术；并对Storm性能进行了分析,总结出了Storm性能优化基本思路；采用分布式数据收集系统Kafka,解决Storm框架处理文件数据时Spout不能并行化的问题；提出基于Spring的可插拔编程模型topology的实现方法,为Storm应用开发提供了一个一致性的编程模型,使开发人员能够借助Spring编程模型实现Storm应用；实现了K-Means算法并行化并移植到Storm运行,用于进行用户聚集度分析；最终设计了一套较完整的基于Storm的数据分析系统,用GPS数据进行分析并验证。