大数据分析是各研究领域非常活跃的一个话题。相对而言,谱聚类算法在大数据分析中是一种比较常用的聚类分析算法。谱聚类算法建立在谱图理论基础之上,且能够在任意样本维度的空间中进行聚类,思想简单、易于实现,可收敛于全局最优解,因此谱聚类算法在诸多现实问题中具有很大的优势。与传统谱聚类算法相比。该算法需要构造相似矩阵,并根据相似矩阵求得拉普拉斯矩阵,以计算出其相应特征值和特征向量进行聚类分析,其中对于构造相似矩阵时所使用的高斯核函数内的尺度参数却是人工输入的,这给算法带来了很大的局限性。本文主要完成了如下几点工作:首先,介绍了谱聚类算法的基础知识,包括其涉及的相关理论和方法。针对于尺度参数存在的不足做出了相应的改进,提出了基于加权局部标准差的WLSD-NJW算法,以此克服因直接人工设定尺度参数值而带来的局限性,使聚类结果趋向稳定性。通过与其它聚类算法在UCI标准数据集中进行实验对比和分析,验证了 WLSD-NJW算法具有的优势性。其次,本文对谱聚类算法在快递物流行业中的应用进行了相关阐述分析。在考虑到运输量、运输成本、用地成本、招工成本、送货效率、中转站维护成本、管理资质成本、面单费用等因素,如何选取最优中转站,聚类分析有着可行性。本文将WLSD-NJW谱聚类算法用于物流行业最优中转站的选择,通过对运输量等因素聚类,在物流行业最优中转站的选取中具有一定的指导意义。结果表明,WLSD-NJW算法在物流行业最优中转站的选择中确实有较好的效果。