在飞速发展的信息化时代中,数据逐渐成为人们关注的焦点。数据爆炸式的增长趋势不断促使数据挖掘技术的发展。但是,传统的数据挖掘技术无法快速有效的处理海量数据,因此,并行化的分布式数据挖掘技术为大数据分析提供了新的研究方向。本文重点研究了基于密度的聚类方法并且改进了 2014年Alex Rodriguez在science上提出的通过快速搜索和发现的密度峰值聚类算法(Clustering by fast search and find of density peaks,CFSFDP),针对其不能自动确定聚类中心以及时间复杂度高的缺点作出了进一步的改进。本文主要工作如下:(1)CFSFDP算法在确定聚类中心点时,需要通过决策图人为进行选择,具有一定的主观意识,因此聚类结果缺乏科学性与准确性。针对这一缺点,本文提出了一种能够自动确定聚类中心的密度峰值聚类算法——AUTO-CFSFDP(Auto determine the cluster-Clustering by fast search and find of density peaks)。首先针对变量分布不均匀的问题,将密度和距离进行归一化处理,再通过切比雪夫不等式确定归一化后的密度阈值上限,利用标准差确定归一化后的距离阈值上限,最后根据决策函数确定决策阈值上限,统筹考虑两种决定因素,避免中心点选取遗漏,实现自动确定聚类中心。实验结果表明该算法能够有效地自适应选择聚类中心,并且具有很好的鲁棒性和有效性。(2)AUTO-CFSFDP与CFSFDP算法一样在进行聚类的过程中需要遍历整个数据集,因此同样具有时间复杂度较高的缺点,针对这一缺点,本文提出了一种基于Spark框架的并行式的AUTO-CFSFDP算法——PAUTO-CFSFDP(Parallel Auto determine the cluster-Clustering by fast search and find of density peaks)。该方法首先对数据进行了分区,将数据切割成大小基本一致的数据空间,其次在每一个数据空间内进行局部聚类,最后将局部聚类结果汇总进行全局聚类。在此基础之上,本文对非中心点划分进行了进一步的改进,利用三角不等式的原理简化划分过程。实验结果表明,Spark框架下的并行式密度峰值聚类算法相较于原始算法在计算效率上取得了更好的效果。(3)将Spark框架下的并行式密度峰值聚类算法运用到了孕妇医疗数据当中,对孕妇的妊娠方式提供了推荐,为婴儿发育情况提供了参考,实验证明该算法具有一定的实用价值。