自人类进入信息化社会以来,大数据已深入到各行各业中,有效利用数据挖掘技术可从大数据中挖掘出有价值的知识从而带来巨大的经济效益,故大数据环境下的数据挖掘已成为研究热点之一。随机森林（Random Forest,RF）算法是一种典型的集成学习算法,因具有超参数少、分类性能优且易于并行化等优点常被用于数据挖掘。但在大数据环境下,随机森林算法由于过多的决策树数量导致其分类时间过长,这已成为随机森林算法应用于大数据环境下数据挖掘的一大障碍。为此,本文采用集成修剪技术对随机森林算法进行改进,在保证随机森林模型准确率的同时显著减少分类时间,并基于分布式并行计算框架对改进随机森林算法进行并行化,以提高其在大数据环境下的模型训练速度和分类速度。具体研究内容主要有以下两方面:针对传统随机森林算法在大数据环境下存在分类速度较慢以及重复投票的问题,提出了基于相似度的改进随机森林算法。通过剔除原始随机森林模型中准确率较低且易于重复投票的决策树,构建了一个分类速度较快且准确率较高的随机森林模型。为更好应对大数据环境,在Spark平台中对改进随机森林算法进行了并行化。首先并行训练多棵决策树得到一个原始随机森林模型,其次筛选掉原始随机森林模型中准确率较低的决策树,接着并行获取被保留的决策树的全部路径信息,然后并行构建一个决策树相似度矩阵来剔除易于重复投票的决策树,最后得到一个可快速有效分类的改进随机森林模型,将其应用于滚动轴承故障诊断中。实验结果表明,面对大规模滚动轴承数据集,该算法不仅能取得较好的故障诊断准确率,而且具有较快的模型训练速度和故障诊断速度。为了寻找随机森林模型中的最优子森林以提高随机森林模型的分类准确率,且进一步提高其分类速度,提出了基于多目标教与学优化（Muliti-Objective Teaching-Learning-Based Optimization,MO-TLBO）的改进随机森林算法（简称MO-TLBO-RF算法）。通过以最大化准确率和最小化分类时间为目标,MO-TLBO算法可以找到分类准确率更高且分类速度更快的子森林。此外,针对大数据环境下使用MO-TLBO算法对随机森林进行集成修剪的时间开销过高的问题,提出了投票集策略以改进适应度评估。在Spark平台中,基于数据并行的思想对MO-TLBO-RF算法进行了并行化,同时为了减少并行MO-TLBO-RF算法在模型训练过程中的Shuffle次数,提出了Shuffle优化策略。采用滚动轴承数据集和28个UCI数据集验证了MO-TLBO-RF算法及其并行化的有效性,实验结果表明,面对大规模滚动轴承故障数据,该算法可得到一个故障诊断准确率高且诊断速度快的随机森林模型;面对包含多个场景的UCI数据集,该算法得到了较好的分类结果。结果还表明投票集策略和Shuffle优化策略可大幅减少采用MO-TLBO算法对随机森林模型进行集成修剪的时间。