现下是大数据发展的高速阶段,数据中潜在的价值知识让众多的科研工作者热力追捧,利用数据挖掘技术挖掘气象领域数据中的潜在规律,对于提高气象预报能力意义重大。在目前的研究中,传统的机器学习算法只适合小数据量的分析,将传统机器学习方法直接应用在大数据分析中效果往往不够理想,算法运行效率和准确率都达不到预期效果,且传统方法投入成本大。气象数据之间存在高维度、依赖性强的特点,而传统的贝叶斯方法假设属性间相互对立,直接使用该方法分类的准确率较低。云计算的低成本运算快成为当前大数据运算的热门途径,但需要适当的体系结构、高效率的分布式密集型任务。因此挑选合适的机器学习算法可以高效率地处理与分析大规模的数据。并行性以及运算效率是大数据计算需要攻克的难题。本文分析了机器学习与气象数据分析存在的问题,主要从并行性与运算效率两方面出发,设计了云环境下气象数据的相关性分析策略。本文基于中国气象局气象数据中心和南宁市环保局环境监测站历年气象数据,设计云环境下使用知识约简算法和改进的贝叶斯方法对气象数据进行分析。首先考虑应用知识约简的思想降低数据的维度,在此基础上基于MapReduce设计属性关联的贝叶斯方法,探讨气象因子的相关性。实验以大气能见度为决策条件,将时间性能与分类准确率作为评估实验性能优劣的主要指标。实验结果证明本文设计的方法与传统的贝叶斯方法比较,实验运算时间与分类准确率都更优。本文基于云环境的气象数据相关性分析方案,一定程度上有效地解决了传统的气象数据挖掘存在的不足。鉴于云计算成本低、可扩展性高的特点,该方案具有较好的应用价值。