随着信息技术的发展,数据量呈现爆炸式增长,传统的单点聚类计算已经远不能满足需求。将大批量的数据分配到数以千计的集群节点中进行分布式计算的方式在大数据环境下对提高聚类效率有着非常重要的意义。本文主要研究了分布式环境下聚类算法的实现和应用,分别利用二维图像数据和三维模型数据对算法进行验证并对算法的执行效率和聚类准确性进行分析和评价。首先,研究了分布式聚类算法在图像分类领域中的应用。针对手写数字识别问题中手写数字图像特征量大、传统聚类算法效率较低的问题,将传统K-means聚类算法在Hadoop分布式计算平台中实现,提升聚类算法运算效率。另外,对于K-means聚类算法的K值以及初始聚类中心的确定问题引入Canopy算法进行优化,同时通过“最大最小化原则”确定Canopy算法中的T1、T2阈值,从而提高了手写数字识别的准确度。其次,将本文提出的分布式聚类算法应用于基于视图特征的三维模型检索领域。为了实现三维模型特征提取,将三维模型不同视图转化为二维图像并提取二维图像的SIFT特征,借助自然语言处理领域中的词袋模型思想对SIFT特征标准化以降低噪声点对特征的影响,通过分布式K-means聚类算法获取三维模型视图特征向量并实现三维模型检索,在模型检索精度和检索时间效率方面能够达到较好均衡。