随着社会的发展和数据产生成本的下降,人类产生的数据量正在呈指数级增长,所以海量数据的分析逐渐被人们所关注。分布式计算被越来越广泛地应用到海量数据分析上,因为集中式的数据仓库在面对爆炸式增长的数据时不能提供较好的可扩展性,而利用分布式计算可以将一个任务分配到多个节点上并行执行,从而获得更好的执行效果。而google提出的map-reduce框架则为分布式计算提供了很好的框架,它是业界广泛认可的解决海量数据分析的有效工具。在map-reduce上执行多表连接的方法主要有两种,分别是层叠法和复制哈希法。但这两种方法都有各自的缺点,它们在某些情况下的效率会比较差。通过研究,本文提出一种将层叠法和复制哈希法相结合的方法(CRMJ)。在执行多连接的过程中,会对一些连接采用复制哈希法,而对另外一些连接采用层叠法,这样会取得比这两种方法都好的效果。采用这种方法会产生很多种执行计划,从而需要判断哪种执行计划所需执行代价最低,所以本文提出了两种寻优算法以找到最优执行计划。第一种是穷举法寻优算法。该算法使用连接图划分和递归思想近似遍历所有可能的执行计划,找到最优的执行计划,并进一步通过剪枝缩减搜索空间。但该种方法通过减枝进行优化所消耗的时间会随着连接表个数的增加而急剧增加,导致算法复杂度很高。第二种是基于贪婪的寻优算法。该算法在多连接的层叠法最优执行计划的基础上,寻找代价节省最多的复制哈希连接。应用该算法可以在较低的复杂度下找到近似最优的执行计划。经过实验验证,本文提出的CRMJ连接方法要比传统的层叠连接法有更高的执行效率。同时还通过实验说明：在连接表个数较少时穷举法最优执行计划选取的效果较好；而当连接表个数较多时贪婪寻优算法效果较好。