深度森林作为深度神经网络的一种有效的替代方法,具有复杂度低、超参数少、健壮性高等特点,在分布式机器学习领域中得到了广泛的应用。最近,一个高效的分布式深度森林系统Forest Layer被提出,其设计了一种基于细粒度子森林划分的任务并行算法,以提高深度森林的并行计算效率。然而,Forest Layer的子森林划分是静态的、一次性的,对分布式计算环境没有适应性,并且粒度划分的大小对系统性能有重要影响。为了进一步提高分布式深度森林的并行计算效率和可扩展性,本文提出了两种分布式深度森林算法。第一种是基于BLB的分布式深度森林算法,即BLB-gcForest,它与BLB机制集成,扩展了gcForest中的级联森林结构,减少了级联森林层的大量传输特征实例,其次BLB-gcForest采用了本文设计的子森林自适应划分算法,来解决并行粒度划分问题。BLB-gcForest在级联森林阶段中,以更细的并行粒度对子森林中的每棵树进行分布式计算,森林被连续自适应地划分成多个子森林,更新经验分布,直到收敛。从而子森林自适应划分得以实现,同时确保每个子森林并行计算的最大资源利用率,解决了难以划分最佳并行粒度的问题,极大提高计算效率和通信效率。在分布式环境下的多项数据集上,实验表明BLB-gcForest的计算效率比最先进的Forest Layer提高了1.64倍,同时保证了良好的准确性和系统健壮性。为了从系统层级进一步提升BLB-gcForest计算效率,提出了第二种分布式深度森林算法,即基于PMB机制的BLB分布式深度森林算法。它对结果类向量提前聚合,减少了网络传输开销。此外PMB机制备份了初始样本数据,避免了冗余传输,以及对中间重要数据进行备份,提高了系统的健壮性。实验结果表明,开启PMB机制后的BLB-gcForest在多项数据集上并行效率最多提高了1.35倍,分别降低了系统CPU平均开销4.5%和内存平均占比4.2%,并提高了系统健壮性。