大数据时代,计算机每天都要处理海量的数据。每一个用户都置身于大数据环境中,但个人拥有的计算资源却无法处理大数据。本文主要关注在计算资源受限的情况下怎么处理大数据计算问题,同时利用参数计算模型,研究在大数据环境下参数化图匹配（k-匹配）以及参数化点覆盖（点覆盖）问题的算法,主要内容有以下几点。（1）针对无权图的k-匹配问题,提出了时间复杂度为O（n+m+k2.5）和空间复杂度为O（k2）的算法（其中n是图的顶点数目,m是图的边数目,k是参数,表示结果的大小）。首先,根据图匹配问题的结构特点,以顶点的度为2k进行图划分,分块处理数据,设计了一个时间复杂度为O（n+m+k2 log k）的核心化算法,得到的问题核大小为O（k2）。然后,在得到的问题核上应用已有的最大匹配问题算法结果给出新的证明,能够在O（k2.5）时间内得到k-匹配的结果。因此,无权图k-匹配问题最终能够在O（n+m+k2.5）时间以及O（k2）的空间内解决,符合大数据环境下有限资源的要求。（2）关于赋权图的权值和最大的k-匹配（最大k-匹配）问题,提出了时间复杂度为O（n+m+k3 logk）和空间复杂度为O（k2）的算法。对于赋权图的匹配算法的设计思路也类似,首先是设计核心化算法,压缩问题的初始规模。不同之处在于处理赋权图的边时需要始终保留权值更大的边,并在线性时间内完成。因此,提出了一个时间复杂度为O（n+m+k3 logk）的核心化算法,得到问题核大小为O（k2）。然后,同样是应用赋权图的最大匹配算法结果,给出新的证明思路,能在O（k3 log k）时间针对得到的问题核返回一个权值和最大的k-匹配或者没有这样的k-匹配。最终,赋权图的最大k-匹配问题是在O（n+m+k3 log k）时间和O（k2）空间内解决。（3）对于点覆盖问题,只关注其核心化算法,分别改进了局部简化算法以及皇冠分解算法,提出时间复杂度为O（n+m+k2）和O（n+m+k3）的线性时间算法,并且所需空间都是O（k2）。首先,本研究应用了已有的局部简化规则中的两条,做出适当修改,使其符合大数据环境提出的时间和空间要求,提出了一个时间复杂性为O（n+m+k2）和空间复杂性为O（k2）的线性算法,并且保证核大小的数量级为O（k2）。同时,皇冠分解算法的重点在于寻找最大匹配时所需多项式时间,我们则是利用贪心法在线性时间内找到极大匹配,然后保留皇冠分解结构,再寻找最大匹配,最终提出一个时间复杂性是O（n+m+k3）和空间复杂性为O（k2）的新的皇冠分解算法,最终得到的核大小仍是3k。改进的核心化算法在保证问题核大小的同时改进算法时间和空间。针对以上两个参数化问题设计的算法不仅能够应用在大数据环境下,一般的计算环境也能适用并且都能比现有的多项式时间结果更优。