摘要：聚類是機器學習領域的一個重要研究方向,在過去幾十年間,針對不同類型中小規模數據集聚類算法的研究取得了很大的進展,許多行之有效的算法先后問世.然而,這些算法在處理大規模數據集時,計算復雜度較高,處理高維數據的能力較弱,難以獲得令人滿意的效果.隨著大數據時代的到來,數據的采集和存儲變得相對容易和便捷,但數據量也與日俱增,因此,針對各種實際應用的聚類問題應運而生,使得專門針對大規模數據集的聚類算法研究成為當前機器學習領域的重要任務之一.本文以大規模數據集的可計算性為切入點,對目前串行和并行計算環境下專門用于處理大規模數據集的聚類算法進行綜述和分析,重點評述了串行計算環境下基于樣例選擇、增量學習、特征子集和特征轉換的聚類算法以及并行計算環境下基于MapReduce、Spark和Storm框架的聚類算法,給出了有關未來大規模數據集聚類算法設計思路與應用前景的思考和討論,包括基于數據并行和訓練過程自動化的聚類算法設計策略及關于社交網絡大數據聚類算法的若干理解.