互联网已经成为世界交流和工作的主要工具的今天,虽然电脑硬件不断的更新换代,但硬件处理速度依然跟不上数据增长的速度,而数据的膨胀很明显为数据的处理分析带来一定的难度,当前许多算法很难处理大规模的数据集,而将算法并行化是解决这个问题的很好途径,因此如何将现有的算法并行化处理大数据集就成为了当今计算机研究领域的热门方向。在对数据进行挖掘分析的大多数算法中,主成分分析算法(Principal Component Analysis)是一种常用的对数据矩阵进行分析,通过提取矩阵主要特征以达到降维目的算法。本文通过对目前PCA并行化问题的研究成果进行总结,分析这些成果的优势和缺陷,发现以往PCA并行程度并不完全,特别是特征值进行计算的过程。在对PCA的相关研究文献进行研究后发现,奇异值分解算法本身在并行程度上要好于传统的特征求解算法,同时奇异值分解本身能够处理任意类型的矩阵,因此在PCA的并行化问题上可以采用并行化奇异值分解算法间接完成PCA算法的并行化。本文将整个PCA算法流程分为两个阶段,即相关系数矩阵求解阶段和矩阵的奇异值分解阶段,其中算法的主要核心问题是如何实现并行环境下对矩阵的奇异值分解。本文通过当前最流行的并行框架MapReduce,融合矩阵的QR分解,提出了一种新的奇异值分解的并行实现方法。通过实验数据验证并行算法的计算速度,利用随机产生的不同维度大小的双浮点矩阵比较并行奇异值分解相对传统串行环境下的算法效率提升情况,并分析算法效率。之后,我们将并行奇异值分解融合进PCA算法中,同时提出相关系数矩阵并行计算过程,将PCA计算的两个部分完全并行化。之后利用不同维度的矩阵比较本文并行PCA算法,已存在的未完全并行PCA算法和常规的PCA算法进行运算速度比较,最终得出本文算法在处理一定规模的大数据时时间消耗要少许多。同时,本文利用所研究的并行SVD算法与传统PCA算法相结合,得出一种新的基于MapReduce的并行PCA算法,同时我们还提取了经济、医疗、运动竞技三种截然不同的应用数据,通过PCA的计算提取我们通过实验总结分析产生结果的实际意义,保证算法在实际生活中的应用价值。