近年来，随着互联网的发展，移动互联网、物联网的普及，可探测和采集的数据急剧增加。随着数据量的增加，人们开始认识到蕴含在数据中巨大的财富，并开始以各种形式挖掘、开采，数据渗透到各行各业，成为了重要的生产力要素，大数据时代到来了。技术方面，与之俱来的是大数据运算技术和数据挖掘、机器学习算法研究，前者负责解决大数据处理的计算能力问题，后者负责解决大数据处理的计算方法问题。随着数据量的不断扩大，处理方法的愈发复杂，大数据对计算能力的要求很快超出了单机计算能够达到的水平，于是分布式计算集群应运而生。故此，原有数据建模处理方法的分布式迁移成为了解决大数据处理计算能力不足的可行之法。本文从隐变量模型训练方式出发，结合MapReduce并行编程框架运算特点，设计实现了一套基于MapReducc的隐变量模型训练系统。　　本研究主要内容包括：⑴调研了各类隐变量模型和MapReduce编程框架。本文深入调研了最常用的几种隐变量模型以及常见的训练方式，结合MapReduce编程框架任务分发、资源调度原理，分析了使用MapReduce实现隐变量模型训练的可行性和高效性。⑵设计并实现了一套基于MapRcduce并行编程框架的隐变量模型训练系统。本系统包含两种不同的隐变量模型训练模式:快捷训练模式和批量训练模式，其各自优劣分明，适用于不同的应用场景。⑶对上诉训练系统训练性能和资源消耗进行了全面而深入的实验测试。本文以训练效果、训练速度以及训练过程中消耗资源为主要考察对象，使用真实的大数据和大型Hadoop集群对所实现系统中两个训练模式进行了全面的试验，进一步分析、论证了两种训练模式各方面的优劣，并为后续工作提供了有价值的引导。