随着对地观测技术的迅速发展，栅格数据量急剧增加，传统单节点架构的GIS系统已无法满足大规模栅格数据处理和分析的需求，如何在分布式并行环境下提高大规模栅格数据空间分析算法的效率，已成为目前地学领域研究的重点。栅格数据空间分析具有数据量和计算量大的特点，属于典型的数据密集型计算。目前，业界提出了多种并行计算模式，相对于传统的MPI并行编程模型，开源Hadoop框架下的MapReduce并行编程模型更适用于数据密集型计算，同时具有较高的性能。因此本文将并行编程模型MapReduce和栅格数据空间分析典型算法相结合，主要解决大规模栅格数据计算效率低的问题。本文从大规模栅格数据并行的角度，对数据划分、数据并行导入和结果融合进行分析，并在此基础上设计栅格数据空间分析并行化算法。主要做了下面工作：首先，针对大规模栅格数据的特点，提出了Hadoop框架下利用分布式文件系统HDFS构建高效的数据组织模型，并针对栅格处理中邻域型算法的数据边界问题，提出了栅格数据重分块处理机制；其次，针对传统串行数据读取速度慢的问题，设计基于MapRedcue的栅格金字塔并行构建，实现大规模栅格数据的并行导入；然后，结合MapReduce并行编程模型，设计基本地形因子和地形特征提取的并行化算法，以提高大规模栅格数据空间分析的效率；最后，与串行算法做了对比实验，验证了栅格数据空间分析并行化算法的效率。结果表明，基于MapReduce的栅格数据空间分析并行化算法效果较好。同时，随着数据节点和数据量的增加，并行化算法的效率逐步提高。因此，本文设计的基于MapReduce的栅格数据空间分析并行化算法有效提升了大规模栅格数据的计算效率。