随着网络技术的快速发展,各类信息数据的增长速度越来越快,针对海量数据的处理需求,云计算逐渐成为业界的主流计算模式。MapReduce是云计算思想的编程模型,以其简单实用的接口使得数据的并行处理变得简单易行,为海量数据的计算处理提供了软件支持。迭代计算是MapReduce模型需要优化的性能之一,本文首先分析了目前主流迭代框架存在的不足,特别是在抽象度不够高,不能够并行处理任务数据与静态数据和动态数据不能完全分离等方面。针对上述问题对MapReduce框架进行了改进,通过分割Map任务和Reduce任务以及对迭代终止条件进行并行检测,提出了相应的并行处理策略,解决了之前串行处理导致计算时间过长的问题,然后通过对Map端存储策略的改进,将静态数据存储到Map端,直接在Map端完成对静态数据与动态数据的计算过程,使得一次迭代过程中的MapReduce数得到减少。针对基于MapReduce的SVM分类算法对数据集的训练是将各子节点训练后得到的支持向量进行合并,得到的分类器分类效率和准确率并不理想。为此,提出了一种改进的训练算法PISVMAM,该算法在各节点上运用遗传算法来寻找子数据集的最优核函数及参数,用得到的参数组合对子数据集进行训练得到支持向量,合并每个节点训练后的支持向量为全局支持向量,然后在各个节点上将子集与全局支持向量合并并作为新的训练数据集,重复这四个步骤,直到全局支持向量不再变化时,则收敛到最优分类模型。通过程序的编写及实验平台的搭建,优化后的迭代框架在处理迭代计算的效率有了明显的提升。PISVMAM算法的分类正确率也比传统的分类算法有了明显的提高。