随着“大数据”时代的到来，海量数据和庞大的信息分析量成为当代信息社会的重要特点。针对海量数据进行数据分析与挖掘来获得有价值的信息，成为金融、互联网等领域掌握市场动向的关键，这一发展趋势对处理器的速度也提出了更高的要求。　　在数据挖掘中，应用最为广泛且最重要的算法是聚类算法，该算法完成的功能是根据数据的内在相似性，将含大量数据的数据集划分为多个类，使得类内的数据相似，类间的数据相异。该类算法的特点是针对海量数据进行重复的存储、比较与计算，从而处理器在该类操作上消耗时间较多。本论文针对聚类算法的这一特点，分别从处理器微架构和指令集架构两方面对处理器进行设计与建模。　　1.处理器微架构上，本论文在经典的五级流水基础上重新细分流水、针对访存延时大的问题采取流水Cache访问、隐藏标志比较的延迟的策略,设计了超流水处理器并最终采用SystemC进行周期精确型建模。　　2.指令集架构上，在MIPS32指令集的基础上，针对聚类算法重复且耗时的操作这一特点，自定义指令集，并在该模型上对自定义指令集进行支持，从而实现聚类算法在硬件上的加速。　　周期精确型模型搭建完成后，使用mentor graphics公司的编译工具集Sourcery Codebench中自带的模拟器作为基准与该周期精确型模型进行对比。通过对加法、矩阵乘法、AES加密解密算法和基准测试程序Dhrystone等程序在该模型上进行周期精确型的仿真模拟，证明该模型功能正确。通过对Canopy、SOM等聚类算法采用自定义指令集进行加速，证明该模型在聚类算法应用中显著缩短了时钟周期数、降低了内存与Cache的交互次数。