资源描述框架(resource description framework,RDF)作为语义网提出的数据规范,现已在生活中得到了广泛应用,这导致RDF数据量暴增。虽然当前的分布式RDF数据处理架构能满足SPARQL查询的要求,但局限于改进存储结构和索引结构等方面,高效地执行RDF查询仍是现阶段研究的重点和难点。本文分析了大量分布式RDF数据处理系统,从架构的角度对分布式SPARQL查询技术进行综合的分析,并针对RDF数据的存储方法和SPARQL查询策略这两个影响性能的关键因素进行定义和详细分类。最后,通过实验分析对主流的引擎性能的影响进行定量分析。基于实验结果,总结分布式RDF数据处理系统所面临的挑战和可能解决方案。结合上述分析,分布式RDF数据处理系统仍存在可改进的空间。而且,从硬件角度来看,现有SPARQL查询的方法均依赖于CPU的计算能力。近年来,图像处理单元(graphic processing units,GPU)的发展提高了图数据处理的性能。与CPU相比,GPU多处理器具有高并发、易扩展以及价格成本低等优势。由于CPU处理大规模RDF数据的计算能力有限,本文考虑使用GPU作为系统计算能力的补充。本文提出了基于GPU的RDF查询处理引擎——MapSQ。该系统创新的提出三个模块:查询分割器、基于GPU的MapReduce并行计算模板和计算CPU和GPU的资源管理,以减少SPAQRL查询的响应时间,并在基准数据集LUBM上对该算法进行性能测试,实验结果表明该算法显著优于基于CPU架构的算法。综上所述,本文对于查询效率低下的现状,设计了基于MapReduce的GPU设计了分布式RDF数据查询系统。该系统通过新硬件的加速,大大的提高了系统性能。对RDF数据处理系统中使用硬件加速处理提出了新的尝试。