伴随计算机的发展和普及,每天产生海量的数据,如何从繁杂的数据中及时快速地挖掘出有价值的信息,具有深刻的意义,这就需要数据挖掘相关理论和技术的支持。本文从数据挖掘的发展背景、趋势、相关处理平台等方向作了介绍,突出探讨了k-means算法的研究现状和最新的改进方法,并以Spark Streaming为基础实现了分布式的流式k-means算法。针对k-means算法存在的不足,设计改进了一种基于马尔科夫链蒙特卡罗方法与环形区域搜索的k-means聚类算法（Assumption Free Markov Chain Monte Carlo Annular Search k-means,AMC2A k-means）。本文所做的工作主要由如下部分组成:（1）针对k-means算法对初始聚类中心敏感问题,利用马尔科夫链蒙特卡罗方法采样初始聚类中心,提出新的平稳分布模仿D~2-Sampling,提议分布加速采样过程。马尔科夫链在一定的次数的状态转移后达到平稳分布,利用这一收敛特性,从平稳分布中采样数据充当聚类中心,具体操作为:将数据集看作状态集,选出两个相距较远的样本作为已有中心点,计算其余数据距离此中心点的最短距离,构成提议分布;计算数据与已有中心点的最近距离作为平稳分布,构建马尔科夫链,从而实现中心点采样且彼此间分布较为分散。这一过程将使得初始中心可以良好的刻画数据的空间分布,防止在同一类别中重复采样,在很大程度上避免算法陷入局部最优解,并可以显著减少k-means算法的迭代次数。（2）针对k-means算法在查找最近中心时计算量大的问题,提出基于三角不等式的环形区域搜索。k-means算法在查找所属类别时,会计算数据与所有中心点的距离,这将消耗大量的资源,为此通过数据点的模和三角形判定定理得到最近中心点的模所在区间,建立一个环形的过滤带,只有位于环形带内才有成为最近中心的可能,在每次迭代过程中仅需对符合条件的部分类别进行搜索,达到查找过滤的作用,减少了大量不必要的计算。这一优势在处理大数据集和多类别聚类时显得尤为突出,具有更低的时间复杂度。（3）通过基于Spark Streaming平台的仿真对比实验,改进的AMC2A k-means相对于k-means算法、k-means++算法,在聚类性能、处理时间等指标上具有更好的表现,尤其随着数据集规模的增大,显示出优秀的处理能力,在海量数据和多类别的流式聚类中,处理速度更快,系统吞吐量更高。