随着大数据的兴起,无共享架构的大数据计算系统不断出现。数据划分问题是这类大数据系统中的核心基础问题,同时也是计算机科学领域的重要基础问题。数据划分问题是要将给定大数据分为尽可能规模相等的部分,使得划分后数据满足某个约束或者划分代价最小。实际应用中,规模相等的数据划分是系统实现负载均衡的基础,而满足约束的数据和最小的划分代价则是大数据系统实现计算、通信等性能优化的保障。由于大数据计算具有资源受限性特点并且复杂结构数据划分求解难度大,数据划分问题的研究极具挑战性。因此,面向大数据计算,研究数据划分问题的理论分析和高效算法具有很大的实用价值和科学意义。本文针对关系、树结构、图结构三类典型大数据研究面向大数据计算的数据划分问题,旨在解决大数据划分的相关基础理论问题,为不同类型和规模的数据设计适用于大数据计算场景的高效划分算法。（1）研究了关系数据区域划分问题的基础理论和算法。实际应用中关系数据规模过大,以至于线性时间算法都难以适用,需要设计亚线性时间划分算法。现有研究工作缺乏区域划分问题的时间复杂性下界结果,缺乏亚线性外存区域划分算法。因此,从理论角度分析区域划分问题的理论下界,并设计亚线性外存区域划分算法。分析了内存模型中区域划分问题的亚线性时间复杂性下界,证实现有内存划分算法已接近最优;分析了外存模型中区域划分问题的线性时间复杂性下界,否定了一般情况下亚线性外存区域划分算法的存在性;针对输入满足部分独立条件的情况,设计了亚线性外存区域划分算法;利用实验对比所设计划分算法和现有算法,验证本文算法的性能。（2）研究了树结构数据扩展划分问题的基础理论和算法。实际应用中树结构数据的扩展划分问题十分重要但并未得到足够关注。因此,从理论角度分析树结构数据扩展划分问题的难解程度,并设计线性代价的划分算法。提出了连通扩展划分以及均衡扩展划分问题的形式化定义;基于动态规划和贪心思想,分别设计了多项式时间和线性时间的连通扩展划分算法;分析了均衡扩展划分问题的计算复杂性和不可近似性,证实了均衡扩展划分问题的求解难度;在放松均衡性要求的条件下,设计了接近线性时间代价的均衡扩展划分近似算法;利用实验验证本文算法的时间性能。（3）研究图结构数据均衡划分问题的基础理论和算法。经典的图均衡划分问题定义在某些大数据应用中并不适用,需要研究适用于大数据计算的图均衡划分问题并且设计有理论保障的划分算法。因此,针对优化工作负载和Motif计算两种目标,研究对应的图均衡划分问题的基础理论和高效近似算法。面向工作负载优化的图均衡划分问题求解难度高,利用半定规划设计了有理论保障的近似划分算法;分析了基于Motif优化的图均衡划分问题的计算复杂性和不可近似性,证实了该问题的求解难度;针对Motif为三角形的情况,利用半定规划设计了有理论保障的近似划分算法,并将算法扩展到一般情况,近似比不变;利用实验对比所设计的划分算法和现有算法,验证本文算法的性能。