譜聚類算法由于其可識別非凸數據分布、可有效避免局部最優解、不受數據點維數限制等優點，在許多領域得到廣泛應用。然而，隨著數據量的增大和數據維數的增多，在保證聚類準確性的前提下，盡可能降低計算時間將變得非常必要。此外，影響譜聚類算法聚類質量的因素除數據集本身外，還與所采用的求解距離矩陣的方法、相似性矩陣的尺度參數、Laplacian矩陣形式等多種因素相關。針對以上問題，首先對于大規模數據問題，將MPI并行編程模型應用于譜聚類算法；然后利用￡最近鄰方法對譜聚類算法中較大維數的Laplacian矩陣進行近似轉化，同時用局部尺度（Local Scaling）參數對算法中的尺度參數進行自動調節。基于上述分析，提出了一種譜聚類并行實現算法，即稀疏化局部尺度并行譜聚類算法SLSPSC，并在四個數據集上進行了測試，與現有的并行譜聚類算法PSC在運行時間和聚類質量兩方面做了比較分析。實驗結果顯示，該算法降低了求解Laplacian矩陣的總時間，同時部分數據集聚類質量得到較大提高。