随着经济和社会的飞速发展，各行各业的计算机应用变得非常普遍，积累了大量的历史业务数据，并且随着时间的增长，数据量还在不断的膨胀，面对这种海量数据，或者说是数据资产，传统数据挖掘算法难以满足对数据分析的需求。尤其是对于对时间有严格要求的数据挖掘任务，计算必须在“合理”的时间内完成。如地震后遥感卫星图的分析任务，如果在一个星期后才能得到结果，则早已经错过了黄金营救时间。对于天气预报来说，花两天时间来获取当地第二天精确的天气预报将使得这种预报毫无意义。传统的数据挖掘算法无法短时间内挖掘出结果，结合并行计算技术是解决问题的出路。为了解决这种海量数据的聚类问题，必须从理论上及算法上对并行聚类进行深入研究。　　 为了实现并行聚类，首先，研究了基于密度和密度可达聚类算法( ClusteringAlgorithm Based on Density and Density reachable，简称CADD)和基于密度和密度可达增量聚类算法(Incremental Clustering Algorithm Based on Density and Densityreachable，简称ICADD)的实现过程，分析了其并行的可能性，在此基础上，对这两个算法进行了改进：第一，改进密度和半径计算算法，避免多次遍历数据库；第二，在Linux平台下C语言编程实现了对BMP图像实验数据进行预处理。　　 其次，在CADD和ICADD算法改进的基础上，提出了基于密度和密度可达并行聚类算法( Parallel Clustering Algorithm based on Density and adaptive Densityreachable，简称PCADD)，主要研究了两方面的内容：(1)在基于数据并行的聚类算法下，聚类结果受进程数量的影响，聚类效果不是很好；(2)根据该算法的特点，设计了任务和数据结合的并行聚类算法后，聚类效果很好，与CADD聚类结果一致。此外，还分析了等量划分数据和根据负载动态划分数据方式的优点和缺点。　　 理论和实验结果证明该算法具有接近线性的加速比，能够有效的处理大规模的数据集。