随着社会的发展、科技的进步和互联网络的高速发展,各行各业数据量的产生正呈现出指数级的增长趋势,高频高维的复杂大数据已经被看成是这个时代的代名词.如何高效准确地挖掘这些大数据背后隐含的价值成为了当前我们迫切的需要.其中聚类分析是数据挖掘的核心技术之一,除了其本身的算法应用之外,还可以作为数据挖掘的一个初始化处理步骤,但传统的数据聚类分析方法在挖掘随机的数据上仍然存在着很多的缺陷和不足.基于网络优化最小树的大数据聚类分析是以大数据为背景,在图论理论的基础上,通过关联分析构造各个数据对象之间的邻接矩阵,以数据点为顶点,各数据之间的邻接矩阵为边的权值,构造一个全图,然后生成该全图的一个最小生成树(Minimum Spanning Tree即MST)根据实际问题和数据的分布状态,按边的权值从大到小切割最小生成树,得到k个MST的子树,一个子树便是数据聚类的一簇最优聚类.本文选取IRIS测试数据集对传统聚类算法进行了仿真模拟分析,得到基于网络优化最小树的大数据聚类算法无论在结果的精确度、计算的复杂度还是计算的效率上较其他几种聚类算法都具有明显的优势,该方法具有处理高维大规模数据的优点,是一种准确、高效、快速的聚类算法,能够很好的解决传统聚类算法的不足.最后本文还对大数据挖掘、聚类分析中可能出现的一些问题进行了探讨并提出了展望.