在数据挖掘中,传统的聚类分析方法在对于大数据量和高维数据空间时,由于数据量的大大增加,导致聚类的传统算法对数据计算和处理时,对计算机的内存空间也提出巨大的挑战。而在生物,医疗,购物中,往往面临着大量高维数据库的聚类和分类处理,这些高维数据由于在高的维度空间中,在传统的基于距离和密度聚类方法中,无法以基准函数来确实其聚类簇的类别,所以当数据属性处于多维空间时,没有太好的效果或者无法得到理想的结果。本文通过了对聚类的传统算法的分析,对大数据量聚类处理和降维研究,设计实验数据集,以实现局部优先聚类,聚类融合,和一些经典维数约简的降维算法,以得到比较理想的聚类结果,在当今互联网应用中具有非常深远的意义。以多个小数据集为例,模拟对大数据集局部分解的子集,然后对各个子集进行聚类处理,把局部聚类结果向大数据集的全局聚类结果进行融合,以实现从局部到全局的聚类融合结果。并测试了其稳定性。在面对高维数据空间时,本文采用当前维数约简算法中具有代表性的PCA主成分分析法进行降维,对模拟的20维数据集降至13维,给出了具体的实验分析。该实验在visual studio2010开发平台中实现,用纯C编写实验程序。实验结果在DOS界面下显示。为保证数据处理的准确性,实验设计对各个局部聚类的聚类中心值的精确度很高,以便减少误差。