疏浚装备越来越发展成为大国角力,提升我国远海岛礁建设、海洋维权、港口航道、填海造陆和海洋工程建设能力的国之重器,更是贯彻落实国家“交通强国”、“海洋强国战略”和“一带一路”倡议的重要保障。疏浚装备的升级使得挖泥船疏浚作业数据呈现爆炸式地增长,存储疏浚数据所需要占用的磁盘空间越来越多。来自船载服务器与岸端船舶管理平台中存储的海量历史数据,数据量可达数TB,甚至PB,如何高效存储、提取和处理这些宝贵的疏浚数据成为了疏浚大数据分析利用需要解决的问题,目前海量的疏浚施工数据没有得到有效的分析和利用。我国作为疏浚大国,急需在疏浚大数据分析方面取得进展,为安全、高效和智能的疏浚提供支持。为此,本文提出了基于Hadoop技术的挖泥船大数据平台架构,构建了挖泥船大数据平台的采集模块、存储模块和分析模块,并在此基础上,利用Hadoop生态系统的机器学习技术Mahout对疏浚数据进行数据挖掘,并根据聚类结果进行了挖泥船疏浚性能评估。本文主要研究工作如下:(1)基于Hadoop技术对挖泥船大数据平台的架构进行了设计,完成了挖泥船大数据平台的分布式集群搭建。(2)研究了挖泥船施工作业时疏浚数据的采集过程。针对存储到岸端服务器中的疏浚数据,通过Sqoop大数据接入技术构建了挖泥船大数据平台采集模块的异源数据库历史数据采集系统,完成了疏浚大数据的采集任务。(3)基于数据仓库Hive技术和分布式数据库Hbase技术构建挖泥船大数据平台存储模块,设计实现了多维疏浚数据存储模型。通过Hive/HBase架构优化了存储模块的效率,完成了疏浚大数据的存储、查询分析任务。(4)基于机器学习技术Mahout对于经过Hive预处理提取出的疏浚工艺点进行数据挖掘,通过使用K-Means聚类算法及结合了Canopy算法的K-Means算法对于疏浚工艺点进行了聚类分析,并根据聚类结果得到的簇及工艺点分布情况进行疏浚性能评估。