随着互联网技术的快速发展,人们积累的数据量越来越大,数据的规模已经从之前的GB级别,上升到TB甚至PB。为了发现数据中的潜在价值,通常的做法是根据实际情况,灵活的运用各种数据挖掘算法。尽管数据挖掘在传统的小数据集上已经得到了充分的利用和发展,证明了其价值和指导意义,但是在大数据集上,数据挖掘算法的实施面临着执行效率、算法并行化、平台易用性等方面的重大挑战。本论文是一篇工程性论文,调查并研究了众多相关开源解决方案,最终基于Spark作为引擎核心和编程模型,设计并实现了部分并行化数据挖掘算法,并且构建了一个易用、高效的大数据挖掘引擎系统。从总体上看,本文完成了以下工作：(1)调研了两种主要的大数据并行计算模型一一以MapReduce为编程范式的编程模型和以内存计算算子为编程范式的编程模型。通过比较其计算效率、编程接口丰富程度和友好性等方面,确定了采用内存计算的方式,并以Spark作为大数据处理的核心引擎。(2)基于Spark的内存计算模型及其提供的若干个动作、转换算子,完成了两个传统数据挖掘算法一-Apriori和PageRank的并行化改造。通过实验验证了这两个算法的执行效率和并行化效果。(3)设计了大数据挖掘平台,以平台即服务的方式提供大数据计算资源,提供了远程过程调用的开发工具包(SDK)。解决了易用性、跨平台、多用户并发控制等问题。通过以上工作,实现了一个完整的大数据挖掘系统,为数据挖掘算法在大数据集上的实施提供了高效、易用的利器。