近年来对地理标志大米产地真伪性鉴别的研究主要集中在基于过程追溯的大米产地溯源系统技术与基于源头鉴别的大米产地确证技术两个方面,其中产地溯源系统中企业为整个溯源提供基础的数据来源,难以避免人为因素对溯源结果造成影响,可能出现“真条码,假溯源”的产地造假现象。而结合机器学习算法的大米产地确证技术虽然获得了较好的鉴别效果,但是在处理大规模数据时,传统的机器学习算法的时间复杂度较高,产地确证模型分类效率较低。因此本文探讨将机器学习算法进行并行化处理,实现对大规模数据的快速分析建模,同时以并行化的产地确证模型为基础构建大米产地确证平台,实现高效、准确、便捷的大米产地确证,进一步完善地理标志大米产地溯源体系。本文采集了梅河、柳河、辉南、延边四个大米主产区共433份大米样本。将检测的矿物质元素含量数据经过预处理后作为建模的基础数据,运用Hadoop分布式集群技术,分别构建了基于MapReduce并行化算法框架的随机森林算法模型、支持向量机模型与人工神经网络模型,对三个模型进行评估与比较后,最终以分类效果最佳的并行化随机森林算法模型为核心开发地理标志大米产地确证平台,文章的主要内容如下:(1)基于MapReduce构建的三种并行化产地确证模型在模型精度与过拟合程度的比较结果表明,并行化随机森林模型相比其他几种算法模型具有更好的分类效果,模型准确率达到97.55%,同时模型的过拟合程度最低,模型泛化能力最佳。(2)通过不同大小规模的数据集测试并行化随机森林算法模型的有效性。其中在数据个数为214条、314条和433条时,模型准确率分别为97.55%、97.85%与98.32%。结果表明,本文构建的并行化随机森林算法随着数据集规模的不断增加,模型准确率呈现上升趋势,模型满足基本需求。(3)以Java作为开发语言,采用浏览器/服务器(B/S)架构和SSH开发框架,设计并实现了大米产地确证平台,平台主要实现用户登录、产地确证与结果展示等多个功能模块,其中政府检测机构人员可以通过登录模块进行身份验证后,在产地确证模块中输入矿物质元素含量信息,在结果展示模块中查看产地确证结果。(4)平台性能评估结果表明,基于并行化随机森林算法模型比传统的串行随机森林算法具有更好的加速比,在处理大规模数据时展现了更高的性能优势。