針對K-最近鄰（KNN）分類算法時間復雜度與訓練樣本數(shù)量成正比而導致的計算量大的問題以及當前大數(shù)據(jù)背景下面臨的傳統(tǒng)架構(gòu)處理速度慢的問題，提出了一種基于Spark框架與聚類優(yōu)化的高效KNN分類算法。該算法首先利用引入收縮因子的優(yōu)化K-medoids聚類算法對訓練集進行兩次裁剪；然后在分類過程中迭代K值獲得分類結(jié)果，并在計算過程中結(jié)合Spark計算框架對數(shù)據(jù)進行分區(qū)迭代實現(xiàn)并行化。實驗結(jié)果表明，在不同數(shù)據(jù)集中傳統(tǒng)K最近鄰算法、基于K-medoids的K-最近鄰算法所耗費時間是所提Spark框架下的K-最近鄰算法的3.92 - 31. 90倍，所提算法具有較高的計算效率，相較于Hadoop平臺有較好的加速比，可有效地對大數(shù)據(jù)進行分類處理。