当前,随着Internet的不断发展,互联网中的数据呈现爆炸性的增长。如何对这些数据进行存储和处理成为新的挑战。处理大数据一般是使用性能较高的服务器或者是服务器集群。这一方案存在价格昂贵,扩展性差等缺点。因此越来越多的研究人员把目光投向并行计算和云计算。云计算对大数据的处理和挖掘有着天然的优势。本文正是以此为出发点,旨在对基于Hadoop和Hama云计算平台如何实现算法并行化进行研究。本文首先介绍了Hadoop和Hama云计算平台,MapReduce和Bsp编程模式的关键技术。之后基于现有的实验资源搭建Hadoop和Hama云计算环境用于并行算法的实现与测试。本文重点是如何使用Hadoop和Hama云计算平台实现一些算法的并行化。主要包括基于Hadoop平台实现相关数据挖掘算法和图论算法的并行化,基于Hadoop平台矩阵乘法的并行化,基于Hama平台图论算法的并行化。许多基于MapReduce实现的并行算法都是迭代算法,如文章中介绍的K-means聚类算法,单源最短路径算法等。本文创新性地对这一类算法进行总结和归纳,得出了这一类算法的一般编程步骤,并对相关的数据存储方式的性能进行分析。基于Bsp编程模式文章中主要介绍和实现了三个算法：计算π值,求无向图的连通分量,单源最短路径算法。Hadoop和Hama都有其自身的适用环境,本文分别对基于Hadoop平台和Hama平台实现的无向图连通分量算法进行理论分析和比较,最后通过实验对两者的性能进行对比,得出最后的结论。