空间聚类分析作为聚类分析的一个重要研究方向，是指将空间数据集中的数据对象分成由相似数据对象组成的类，同类中的数据对象间具有较高的相似度，而不同类中的数据对象间差异较大。它不仅是空间数据挖掘的重要方法，也是其它挖掘任务的前奏。在当今这个信息技术高速发展的时代，数据信息呈多样化、海量化、高维化趋势发展。面对大量的空间信息，能够快速准确地从中提取隐含的有用知识，来指导实践，日益成为人类的迫切需求，但在单机上进行传统的串行聚类分析就会面临内存容量、CPU处理速度等瓶颈问题，很难满足实际需求。虚拟化与并行技术的出现，为其提供了很好的解决方案。云计算作为目前国内外研究的热点，是网格计算、并行计算、分布式计算的发展，其思想是在并行化计算与存储思想的基础之上发展而来的。它可以有效地解决分析和处理海量数据时所面临的问题，为海量高维空间数据的聚类分析提供了强有力的支持。特别是Google的MapReduce分布式编程模型的提出，使聚类算法的并行化实现变得更为简单可靠。本文在深入研究空间聚类算法与云计算关键技术HDFS(Hadoop Distributed FileSystem)和MapReduce的基础之上，实现了并行化K-Medoids和PGDC算法的MapReduce模型，并对改进算法进行了仿真实验，对实验结果进行了深入分析。本文主要研究内容包括以下几个方面：1)研究空间聚类算法，对各种聚类算法的基本原理及其优缺点进行分析总结。2)研究并行化思想和云计算及其关键技术，在云计算环境下对空间聚类算法进行深入分析研究，将聚类算法与MapReduce编程模型相结合，研究建立并行化聚类模型。在分析比较基于Hadoop平台的K-Means和Canopy-K-Means等并行化算法的基础上，提出了改进的K-Medoids和基于网格密度的PGDC并行化算法，并对其进行了实现。3)对并行化聚类算法进行了仿真实验，分别从算法的有效性、加速比和可扩展性三方面对算法进行了深入分析，并以粮库选址模型为例，对算法进行了实际应用测试。实验测试结果表明，提出的并行化聚类算法能够高效的得到较好的聚类结果，在大数量数据集上具有较强的存储能力和计算速度，在实际应用当中有较高的实用性和可扩展性。