随着互联网的迅速发展，特别是近年来，突飞猛进的移动互联网和电子商务的发展，网络已经进入了互联网+时代。“互联网+”时代具有如下特点：大规模数据集，多终端等。企业建立一套IT系统不仅需要购买硬件等基础设施，还需要专人维护。当企业的规模扩大时还要继续升级各种软硬件设施以满足需要，传统数据处理方法存在数据存储成本过高、数据管理效率低、可靠性较低、并行处理程序编写复杂等不足。尤其是对于中小企业，计算机等硬件和软件本身并非所需，提高计算和存储效率才是其真正的期盼。云计算通过整合服务器集群中的闲散资源，为大数据分布式存储、并行计算等提供了一个有效解决方案。Hadoop以其开源、可伸缩与低成本等优势，已成为一种主流的云计算平台。但是，在某些应用场景，Hadoop也存在一定的缺陷。例如MapReduce的Mapper会产生大量中间结果，而这时的Reducer并没有被调用来合并这些中间结果，增加了网络传输大量中间结果的负担以及造成Reducer的闲置，总体上降低了MapReduce的效率。本文通过对MapReduce计算模型的工作原理、运行机制和容错机制的研究，提出了一种MapReduce计算模型优化方案。即在Yarn框架中，使用MPI技术实现Reducer与Mapper并行处理中间结果。通过实验可知，本方法提升了MapReduce计算效率，降低了计算与存储的耦合性。另外，通过应用实例——重点污染物排放量测算系统，在不改变该系统的基础上，利用Sqoop数据迁移技术，结合优化后的MapReduce计算模型和存储技术的优点，设计并实现了一种关系型数据库和分布式数据库并存的方案，以期解决关系数据库的存储和访问效率等问题，在实现存储和计算分离的同时降低了中小企业的硬件开支。