随着现代农业与信息技术的发展,农业数据的规模不断增大,数据类型越发多样化,结构日益复杂化。其中,占据相当比重的农业小文件造成了大数据存储平台HDFS（Hadoop Distributed File System）无法高效地存取该类数据。本文在完全分布式集群环境的基础上,结合HDFS的结构设计和农业数据的相关特征,分别从存储和检索方面进行研究,提出了一种基于可扩展EHDFS（Extensible HDFS）架构的多级小文件处理单元的存取方案,包括基于相关度与块空间的文件合并存储单元、基于MapFile策略的两级文件索引单元和基于LFU（Least Frequently Used）页面替换策略的文件预缓存单元。主要研究内容有:（1）基于文件相关度与块空间的优化合并存储。针对HDFS存储农业小文件造成数据节点Data Node空间损耗和主节点Name Node内存压力等问题,构建了一种小文件优化合并存储模型。首先,采用阈值法进行测试文件的判断与划分。然后,运用Sim Hash算法进行农业小文件的相关度检测,使得高相关度的文件邻近存储,降低关联文件的访问资源开销。最后,综合考虑体积差异的小文件的分布状态对数据块空间占用率的影响,构建了一种空间最优化的合并存储模型,使得小文件尽可能填满且均匀分布于数据块中,达到最大化利用节点空间的目标。（2）基于MapFile策略的两级文件索引。针对HDFS索引机制检索小文件时存在信息交互频繁和资源消耗较大等问题,构建了一种基于MapFile策略的两级文件索引模型。其通过优化文件映射关系结构,改进索引组成元素和索引存储位置,以此降低分散索引与跨越式检索目标文件产生的高时延和额外的资源消耗。（3）基于LFU页面替换策略的文件预缓存。针对在大规模数据集中进行热点数据检索,存在客户端与集群节点之间频繁的I/O操作和节点负荷问题,从缓存对文件检索效率的影响角度进行分析,构建了一种基于LFU页面替换策略的文件预缓存模型。其根据Edit Log、FSImage和Meta Data进行热点数据的索引预取,并使用LFU策略进行数据项的缓存替换与排序,以此提高小文件的缓存命中率和检索时效性。（4）EHDFS存取系统架构的建立、实验与结果分析。首先,建立了基于可扩展EHDFS架构的小文件存取方案的系统架构。然后,通过搭建完全分布式的集群实验环境,并设计相关实验方案,进行验证EHDFS存取模型的效率性。实验结果表明,针对农业小文件的分组存取场景,在文件写入时间消耗方面,对比HDFS和Hadoop Archive,EHDFS方案分别改善了89.36%和8.39%;在Name Node内存占用方面,EHDFS相对HDFS和Hadoop Archive,分别改善了97.28%和47.62%;在文件读取时间消耗方面,对比HDFS和MapFile,EHDFS提升了89.03%和18.79%的检索效率。