随着互联网的发展迎来大数据时代,使数据量呈现指数级增长,如何在众多数据集中选择满足用户兴趣的数据成为重点研究内容。skyline查询在多目标决策中成为该领域的热门研究点,但是skyline查询的结果集大小无法控制,当数据量和维度增大时,skyline查询结果集也会随之增大,用户从众多候选的skyline结果集中难以抉择。随之,出现了top-k skyline查询概念。top-k skyline结合top-k和skyline两者的优势,通过打分函数返回k个满足用户需求的数据对象,使输出结果集大小在一个合适的范围,避免skyline查询出现的结果集大小无法控制问题。在大数据时代下,top-k skyline查询处理方法存在效率不高及响应时间长等问题,如何将top-k skyline查询应用于大数据环境下成为亟待解决的问题。Map Reduce是Google公司提出的分布式计算框架,解决大规模数据的计算问题,具有良好的容错性和可扩展性等特点。因此,本文针对分布式环境下的top-k skyline查询处理算法进行研究。首先,针对top-k skyline查询中数据间存在多余支配检查的问题,提出Map Reduce环境下基于数据划分的top-k skyline查询处理算法(Partitioned Top-k Skyline in Map Reduce,MR-PKS)。该算法对数据进行区域划分,将传统的支配关系转化为区域间单向支配关系,过滤冗余数据和不存在区域支配关系的数据点间的比较;并给出基于Map Reduce框架下多个节点并行的top-k skyline实现,提高算法的执行效率。其次,针对基于数据划分的top-k skyline查询算法在高维空间划分区域不利于管理且低效的问题,提出基于用户偏好的top-k skyline查询处理算法(User Preference based on Data Partition Top-k Skyline in Map Reduce,MR-P-PKS)。该算法首先根据用户维度优先级对数据集进行降维划分,将数据划分至各个区域后进行过滤,减少后续计算的数据集;然后,利用区域间单向支配关系,根据维度优先级对数据进行逐次放松控制,减少数据间的比较次数,同时利用无差异阈值减少top-k skyline候选数据集。高维空间top-k skyline查询问题的解决,减少了计算开销,使结果集更贴近用户查询。最后,为了证明本文算法的有效性,算法实验分别从查询响应时间、数据点间比较次数、无差异阈值对响应时间的影响进行验证分析,实验结果表明本文提出的分布式环境下top-k skyline查询算法可以有效的减少比较次数和响应时间,提高算法查询效率。