聚类分析算法是数据挖掘领域中一个非常重要的分支,一直都受到广大国内外研究人员的喜爱。它基于用户给定的原始数据对象及其关系,将所有的数据对象聚类成若干个簇,使得位于同一簇内的数据对象之间的相似性大,不同簇的数据对象之间保持较低的相似度。而随着现代技术的迅猛发展,互联网生成的数据规模日益增长,传统的串行聚类算法无法满足超大规模数据的分析与处理,主要表现为数据对象无法装入内存、算法的执行效率低等方面。因此,如何在保持聚类效果的同时高效地对海量数据进行分析和处理成为了一个崭新的研究领域。Hadoop分布式计算平台的诞生及兴起为提高传统串行聚类算法的处理性能提供了一种可靠的途径。CLIQUE算法是一种高效便捷的聚类方法,在进行聚类分析时,合理地设置划分参数和密度阈值可以使得CLIQUE算法得到高质量的聚类结果。但是当初始化参数尤其是划分参数设置不合理时,不仅会影响算法的执行效率,更会对最终的聚类质量造成严重影响,也正因为这一点国内外研究学者对CLIQUE算法的看法褒贬不一。本文深入研究了传统CLIQUE聚类算法的网格划分策略以及剪枝策略,提出边界修正方法以及滑动网格方法并对划分后的网格进行调整,以提升网格划分的质量;同时结合MapReduce的编程规则以及改进算法的特点,将并行算法分为网格划分和遍历聚类两个阶段,分别设计Map函数和Reduce函数,给出了 Hadoop环境下改进CLIQUE算法的分布式并行化方案。最后分别从算法的聚类精度及集群环境下的时间效率、加速比、数据伸缩率和可扩展率五个方向对改进的CLIQUE算法进行了实验测试。通过对比实验和结果分析表明,使用本文提出的方法改进CLIQUE算法可以有效提升网格划分质量,得到更精确的聚类结果,而基于Hadoop分布式计算平台对改进算法实现并行化后也表现出良好的数据伸缩率和可扩展性,显著提高了算法快速处理海量数据的能力。