数据是信息的载体,同时也是知识的源泉。近年来,随着人类探索范围的拓展,对数据记录范畴迅速扩大,积累了海量的数据。因此,导致大数据现象普遍存在。大数据不再仅仅只是一个名词,而逐渐成为一种数据处理理念。因为传统数据分析方法难以对大数据进行有效处理,这已经引起人们恐慌和重视。如何分析处理这些大数据将是未来几年甚至几十年所面临的最大挑战。大数据处理的研究范围十分广泛,高维数据处理一直都是数据挖掘的一个研究热点,随着数据量的增大,针对大数据中的高维数据的分析势在必行。由于高维数据的稀疏性,导致高维空间中的数据处理方法与低维空间中存在显著差异。低维空间中的许多成熟的算法在高维空间中无法取得预期效果,甚至无法运行。这就要求我们对现有算法进行改进或提出新的框架以适应大数据应用背景。本文从高维数据处理角度来对大数据做了相关分析研究,主要包括以下几个方面：(1)高维数据降维。本文通过对传统降维方法的分析研究,在分析处理前,利用信息熵剔除不满足指定条件的维,再用传统的主成份分析方法分析处理剩余的维,从达到以最简单的方法,用尽可能少的计算量的降维效果。同时算法可以通过调节信息熵阈值来适应维度的变化。(2)高维数据聚类研究。现有的关于聚类算法的研究常常通过某种距离度量簇之间的相似度,高维数据的聚类与传统聚类有区别较大,在高维数据中,距离度量失效,需要研究出新的度量方法来发现簇,本文采用自底向上的策略,使用新的相似度度量函数,基于分而治之的思想解决高维大数据的聚类问题,大大的减小了计算量并改善了聚类效果。(3)高维数据流聚类。在现实应用中,数据多以流的形式到来的,如：Web用户行为、客户购物行为、通讯记录等,与静态数据处理不同的是,流数据的处理具有很强的实效性,高维的数据流实时处理更是一种挑战。本文提出了一种两次聚类的算法框架,很好的解决了多个高维的数据流同时到达时的聚类问题,首先通过对不同来源的多个数据流进行聚类,然后赋予它们综合权值,再使用子空间方法来进行处理,实验证明,该框架在处理多源高维数据流时具有较好的效果。