可视化机器学习平台依赖拖拽式建模方法进一步降低了入门机器学习的门槛,也简化了专业领域从事人员定义和训练模型的操作,逐渐成为未来机器学习的主流工具之一。目前,不少头部企业如阿里巴巴、微软等将机器学习平台商业化,为其它企业、公司和个人提供服务。但这类云平台购买价格高昂,配置和使用各不相同,平台学习成本较高,当处理中小规模的机器学习问题时往往显得繁杂和冗余。同时,进行算法实验时需要将数据集上传到云服务器,不能完全保障数据的安全。因此,大多数中小企业研发本地的机器学习平台,不仅能够按需定制化私有的算法,而且可以保障数据不被泄漏。针对上述问题和需求,对机器学习平台可视化和本地化技术进行充分调研,本论文设计和实现了基于Spark和Keras的拖拽式机器学习平台。平台可以部署在本地服务器,用户数据的安全性可以得到保障,支持用户通过拖拽合成算法逻辑流程,可视化完成了从数据接入到模型搭建及结果可视化展示,提供完整的一站式算法实验流程,降低了平台用户学习成本。本文的主要研究内容包括:（1）基于mxGraph绘图框架和JQuery组件库实现平台的拖拽可视化功能。首先平台依据功能对算法平台页面进行分区,包括组件选择区、网络拓扑编辑区、参数配置区等。通过JQuery组件库实现组件选择区算法组件的树型列表结构;通过mxGraph框架实现网络拓扑编辑区的组件拖放,满足拖拽式建模的功能。（2）基于Spark和Keras框架实现机器学习平台算法功能。通过加载和分析网络拓扑结构生成的XML（可扩展标记语言）数据,后端合成相应的算法逻辑流程,构建机器学习或深度学习算法模型。平台支持100余种常用机器学习算法和深度学习算法。机器学习算法功能在Java虚拟机进程中通过调用Spark MLlib框架实现,深度学习算法功能在Python进程中通过调用Keras框架实现,Java虚拟机进程采用远程过程调用与Python进程进行通信。（3）在不同的浏览器环境下对平台主要模块进行功能测试。针对一种实际中的轴承机械数据的故障诊断问题,设计算法实验,构建算法模型进行训练和预测,验证平台的可行性和稳定性。