互联网技术的高速发展以及5G时代的来临产生了大量需要进行处理的数据,在这些巨量数据中潜藏着宝贵财富。越来越多的企业和学者开始关注和研究如何从这些巨量的数据中提取出对人们有用的信息这一问题。为了解决这一难题,人们采用集群的方式并行化地处理数据,显著加快了巨量数据地处理能力。聚类算法是处理数据时常用的算法之一,Spark平台中并行化聚类算法可以很好地解决大数据环境下的聚类问题。但Spark平台核心聚类算法仅有四种,不能完美的应对日趋复杂的聚类场景,研发新的Spark平台中的聚类算法很有必要。Canopy算法和FCM（Fuzzy C-means）算法是在聚类场景中经常被用到的聚类算法,但是传统的Canopy算法和FCM算法为串行单机运行,因此很难胜任大数据环境下处理巨量数据的任务,故本课题研究了 Spark平台中Canopy算法和FCM算法的并行化设计与实现这一问题。首先充分利用Spark分布式平台中DataFrame的特性优势,综合考虑内存优化、数据压缩和IO通信消耗等多方面的因素后,设计出的Spark平台中Canopy和FCM并行化算法,极大地提升巨量数据下的运算能力。其次,鉴于FCM隶属度矩阵在数据量极大时的并行化运算会消耗大量IO通信时间,提出了基于隶属度矩阵改进的并行化算法,解决了IO通信时间过多的短板。最后,由于FCM算法具有初始K值不确定和初始聚类中心点不稳定的问题,所以结合Canopy粗聚类算法,为FCM聚类算法提供初始K值和初始聚类中心点,提升了FCM聚类算法的可用性。从Spark集群上的Canopy和FCM并行化聚类算法的实验测试结果中,可以得到如下的结论:（1）研发出Spark集群上的Canopy并行化聚类算法,成功地实现在Spark集群上的并行化,可拓展性良好。（2）成功研发出Spark集群上FCM并行化聚类算法,并通过隶属度矩阵改进的方式解决了 FCM算法分布式运行时通信时间开销大的问题。（3）研发出的Canopy+FCM算法成功解决了 K值不确定性和初始聚类中心点不稳定问题,使FCM算法更加稳定。