数据立方体是数据仓库和OLAP中的核心。当数据仓库中的数据实时更新时,对应的数据立方体也必须随之更新,否则OLAP查询得到的将是过时的数据。数据立方体更新多数采用增量维护,即依据基本表的改变量刷新已有的数据立方体。如何降低数据立方体占用的磁盘空间和提高数据立方体的计算速度成为了一个热点问题。在这样的背景下,本文开展了OLAP中数据立方体增量更新算法的研究,主要工作如下：1.本文首先介绍了OLAP基础知识、数据立方体的定义以及计算和查询,接着介绍了几种经典的数据立方体结构并且对各种立方体的优缺点进行了分析。然后介绍立方体聚集计算相关知识,重点剖析典型聚集计算算法Pipesort算法、Pipehash算法、多路数组聚集算法和BUC算法等,同时给出了聚集计算的优化方法。2.重点研究了可扩展多维数组作为数据立方体的数据组织模型,并通过去除完全冗余的逻辑压缩方法和基于HOEA的物理压缩方法对可扩展多维数组进行两次有效压缩,大幅度降低了数据立方体的空间复杂度。提出了EMA-Cube(Extendible Multidimensional Array Data Cube)扩展多维数组数据立方体模型。通过实例验证该模型消除了完全冗余数据单元,有效的压缩存储数据。3.分析数据立方体更新有两种实现策略,即增量更新和重新计算。研究了EMA-Cube的数据立方体增量更新计算方法,采用共享维信息辅助表(包括历史值表,首地址表和系数向量表)完成立方体的更新,有效缩短了数据立方体的计算时间和更新维护时间。