以Google为代表的当代互联网搜索引擎，将计算机理论研究与工程开发完美结合，创造了非凡的用户体验和文化。Google使用PageRank作为衡量网页质量的一个重要标准，取得了巨大成功。在当前互联网继续蓬勃发展的情况下，PageRank的计算将涉及到海量的数据处理；另外，个性化搜索引擎是当代搜索引擎的一个重要的发展方向，需要根据每个用户的特征计算个性化的PageRank；因此迫切需要找到一个高效的PageRank计算和更新方法，来提高PageRank的计算和更新效率。 本文以PageRank的基本理论--随机冲浪模型为基础，进行深入的理论的分析，做出进一步理论推导，将Markov状态转移矩阵分解成三部分；计算时对每一部分分别处理，显著降低了存储开销(磁盘空间和内存空间)和计算复杂度；使得PageRank的工程化计算变得比较简单，可以在普通配置的PC机上高效地完成千万级网页的PageRank计算。 PageRank计算所涉及的Markov过程有其自身的特殊性，世界各学者针对其特殊性提出了多种优化途径；本文分析了若干主要的优化方法，并将其组合起来应用，实验证明可以更大程度地提高PageRank的计算速度。 鉴于PageRank的计算代价太大，本文尝试性地探寻一种针对工程化应用的轻量级的更新策略，降低更新代价，提高更新速度。 本文所涉及的PageRank计算研究仅限于单机处理，但矩阵运算天然具有良好的并发性，在本文的计算过程和优化过程中也保留了这个重要特性；所以下一步的一个研究重点就是进行并发性计算扩展和集群计算移植。