随着现代网络的普及和不断发展,互联网数据的积累程度也不断提高。当今,传统的数据仓库存储和查询技术的发展遇到了瓶颈。在传统的数据仓库技术中,对于数据立方体的构建有许多不同的物化算法,常见的模型有商覆盖立方体和外壳立方体等。这些模型都有相应的物化算法来实现立方体的计算。但是对于海量数据信息而言,传统的商覆盖立方体算法由于需要处理大量的临时数据而导致算法所需的运行空间过大,同时算法还存在着海量数据处理并行效率低下的问题。另一方面,传统的外壳立方体构建算法过于依赖数据离散度,在数据量大、数据之间离散度高的情况下算法效率明显低下。随着云计算和大数据技术的发展,为海量数据处理的若干问题带来了有效的解决途径。因此,针对以上提出的问题,本文分别展开以下研究：1)针对商覆盖立方体算法的不足,本文通过利用计算上卷方体的方法,提出了基于MapReduce框架的商覆盖立方体(QCCM, Quotient Cube Construction with MapReduce)算法。该算法在增强算法并行性的基础上,避免计算大量临时表的数据,提升了算法的效率。通过仿真验证,证明了改进后的算法与原始算法相比具有明显的高效性。2)针对外壳立方体算法的不足,本文通过分析原始算法在数据离散度高的条件下效率低下的原因,提出了MapReduce框架下基于数据离散度无关的Frag-shells算法,并对算法改进前后的复杂度进行了分析对比。通过仿真验证,证明了改进后的算法在数据离散度高的情况下,依然就有良好的算法效率。最后,本文进行了总结,以及对进一步的研究工作从不同的研究方向上做出了分析和展望。