21世纪信息化大数据时代的到来,数据已经成为了每个行业和领域不可缺少的组成部分,尤其是文本类型的数据。各个行业每天都在产生与使用数据,面对海量的数据,文本已经成为其无法替代的关键信息载体,与人类的生活密不可分,人们越来越清楚的意识到,只有从大量缺少完整规律性的表层信息数据中分析发现知识规律,挖掘出对社会发展有利用价值的深层数据规律,才能适应这个信息爆炸时代的发展要求。目前传统的数据挖掘算法,随着大数据规模之庞大、结构之复杂,就显得力不从心。因此如何从海量未知的数据中高效地挖掘出有效价值的信息,并实际应用在文本聚类中,提高文本聚类的并行化程度和结果准确率,成为了当下研究探索的热点。随着Map Reduce等分布式计算模型的提出和聚类算法在文本数据上的广泛应用,通过对传统的密度聚类算法进行改进,并与分布式计算模型相结合,利用其集群计算能力,分布式同时处理数据,实现算法对大数据的并行化处理,并高效解决一些文本聚类的实际问题,已经成为了一个主要的研究方向。目前已提出的基于Map Reduce的并行聚类算法取得了较好的加速比,提高了一部分参数的寻优能力,并且具有了一定的并行化性能,也能更广泛地应用在文本挖掘上。但这些算法仍然存在着处理大数据集时伸缩困难、聚类精准率不高、并行性能较低等问题,并且当前大数据环境下的文本数据普遍具有高维和多样复杂的特点,导致算法应用在文本聚类上聚类结果较差,并行化效率不高。针对这些问题,本文主要从以下三个方面来改善并行密度聚类算法的目前所存在的问题:一是基于数据集的图形分布情况,设计自适应数据划分策略来加快邻域搜索。二是优化群智能算法的位置更新策略,利用优化后的群智能算法的优势来提升聚类结果的准确率。三是使用覆盖树索引存储结构结合Map Reduce框架,提升算法整体的并行性能。基于以上三个方面,在研究与分析密度聚类算法、Map Reduce计算框架以及智能优化算法等相关知识的基础上,并结合文本聚类的现状,本文提出一种基于分组和IGSA的并行密度聚类算法MR-GDBIGS（Density-based clustering algorithm based on groups and improve gravitational search）。首先在数据划分阶段,提出基于图形的GSP策略来划分数据,加速邻域搜索,有效避免了处理高维数据时伸缩困难的问题;其次在局部聚类阶段,提出基于PUF位置更新函数的重力搜索优化算法IGSA,并根据IGSA算法对局部聚类进行优化,获得聚类最优参数,克服了聚类算法参数寻优能力不佳的问题;最后在合并局部簇阶段,结合Map Reduce计算模型下,提出了基于覆盖树的局部簇合并策略MRCTMC,并行合并局部簇,生成最终聚类结果,提高了整体算法的并行化性能。同时MRGDBIGS算法应用在文本聚类上,解决当前文本聚类的并行化程度低和聚类效果不佳的问题。实验结果表明,MR-GDBIGS算法在处理大型高维数据集时的聚类精度更佳,并行聚类的效果更好,更能满足当前大数据时代的数据分析挖掘要求,且为加速文本聚类发展提供了新的方向。