随着互联网行业的快速发展、信息量增加,如何处理海量数据成为行业面临的一个严峻考验。一种处理海量数据的方法是对文档进行分类,将新的文本划分到预定义的类中,进而帮助人们检索、查询、过滤和利用信息。在众多的分类算法中,KNN是VSM(向量空间模型)下最好的分类算法,利用余弦定理计算文档的间的相似度,依据相似度的值对文本分类,但在KNN算法相似度求解过程中计算量特别大,因为一方面KNN算法是懒散的分类算法,所有计算工作都是在分类过程中完成的；另一个方面相似度计算过程中,每一个待分类的文本都要计算它到全体已知样本的距离(即相似度),才能确定它的K个最近邻点。随着样本集的增大,需提高KNN的相似度运算速率具有重要的意义。本课题所研究的基于MapReduce技术实现的KNN算法元要是针对上述两个方面造成的相似度计算量过大、进而导致分类效率较低的问题,充分利用当前云计算MapReduce分布式编程模式的海量数据处理优势,重新描述了传统KNN的分类过程。本论文主要介绍了KNN算法和MapReduce技术发展状况,以及所面临的各种问题,并阐述了将MapReduce技术与KNN算法相结合应用到文本分类中的意义。本论文详细描述了MapReduce实现KNN算法的过程,重点分析了样本文档预处理、新文档特征向量化和余弦定理相似度计算三个核心模块,并对其涉及到的map函数和reduce函数的设计过程进行了重点描述,最后通过实验对比分析了KNN、改进的FKNN算法和本文提出的MR-KNN的预处理速率、分类效率等,进而论证了MapReduce实现KNN的重要意义——简化了相似度求解过程、加快了分类效率,并且保持了KNN的高分类正确率优势。