随着“大数据时代”的到来，各种处理海量数据的技术应运而生，其中以Hadoop为代表的传统MapReduce模型正在逐渐成为行业的标准。然而，本质上，MapReduce模型的处理方式还是一种批处理的流程，所以，并非所有结构的数据都能高效的在传统MapReduce模型上进行处理，尤其是具有图结构类型的数据集，这就需要一种可以高效处理该类数据的计算模型。本文首先简要讨论了一种分布式迭代计算模型。通过对DPark（一种分布式迭代计算框架，由豆瓣公司开发，是Spark的Python版本，并加入自身特色）的研究，了解其工作原理以及核心技术RDD（弹性分布式数据集）。其次，由于许多实际应用问题中都涉及到大型的图算法，比如网页链接关系和社会关系图等，这些图都有相同的特点：规模超大，常常达到数十亿的顶点和上万亿的边。这么大的规模，给需要在其上进行高效计算的应用提出了巨大的难题。对此，Google提出了Pregel图计算模型，但目前为止国内还没有完全实现Pregel的图计算引擎，所以本文主要在对分布式迭代模型研究的基础上，根据Google关于Pregel的论文，研究并实现一种高效的图计算引擎PyGel，该引擎主要使用Python开发，基于DPark这一分布式迭代计算框架，可用于类似图遍历（BFS）、单源最短路径（SSSP）、PageRank等图算法方面的计算。然后，选取代表性的PageRank这一图算法，分别在传统分布式计算模型与基于分布式迭代模型的PyGel上实现，通过对比二者的计算效率来验证最终结论，并给出相关的比较数据。最后，通过研究当前分布式迭代计算模型以及Pregel图计算模型的概念和具体实现，指出其中可能存在的不足，以及可能的改进方式，并明确以后的工作方向。