Hadoop分布式存储系统（Hadoop Distributed File System,HDFS）由于具有高可靠、易扩展、高容错性等特点,已经广泛的运用在大数据存储领域。但是近几年随着社交、短视频、电商等一系列的移动应用的兴起,小文件大量产生。HDFS设计之初并不是为了存储海量小文件,因为海量小文件会产生大量的元数据信息,这些元数据信息保存在Namenode内存中,Namenode内存瓶颈问题会导致HDFS存储小文件时效率低下。本文针对HDFS在云环境下存取小文件技术进行研究,主要做了以下三个方面的工作:首先,针对HDFS存储小文件时因Namenode内存瓶颈导致存取性能低下的问题,提出了一种适合于大数据领域的小文件合并方案。该方案先使用基于密度和层次的小文件合并算法将与用户访问相关的小文件聚类,随后将聚类后的小文件元数据信息存入链表组,当链表组中链表存储的小文件信息达到一定大小时,根据元数据信息从HDFS中取出对应小文件合并后替换原本小文件。从而合并文件内部小文件就具有了较强的访问相关性,降低了用户批量访问小文件时跨越多个合并文件导致的读取时间损耗。同时,基于链表组的合并方式避免了存储碎片化。实验结果表明,在提出的小文件合并方案下,Namenode内存消耗极大的降低了。同时,降低了因合并文件带来的读写时间损耗。其次,为了进一步优化小文件的读取性能,在HDFS集群与用户之间加入中间缓存并提出了一种混合缓存方案。该方案将缓存分为传统缓存区和预测缓存区,同时考虑缓存替换策略和预取策略。传统缓存区考虑缓存替换策略,采用基于多级队列优化的自适应缓存替换策略。预测缓存区考虑缓存预取策略,采用基于线性回归的预取算法。实验结果表明,混合缓存方案提高了用户访问小文件的缓存命中率,在应用场景和用户需求发生改变的情况下保证缓存命中率的稳定。小文件读取时间进一步降低。同时,混合缓存方案分担了HDFS集群的I/O负载,提高了集群稳定性。最后,综合以上所提出的两种小文件优化方案进行了原型系统设计与实现。面向冷链物流安全追溯应用设计了一种小文件处理模块,该模块存在于HDFS集群与用户之间,负责处理用户对小文件的读写、与HDFS集群交互等。同时,对整个集群的内存资源、流量资源以及小文件处理模块中缓存的命中率进行监控。