互联网技术的快速发展,给人们带来了大量的信息,但也增加了人们从这些数据中获取所需知识的难度。为了解决这一问题,数据挖掘技术得到了快速的发展,目前数据挖掘技术已被广泛应用于金融、医疗、互联网络、政治经济和社会生活等领域。随着数据规模指数级的增长,如何在超大规模的数据中进行有效的挖掘?为了迎接这一挑战,人们越来越倾向于使用云计算平台来进行超大规模的数据挖掘,如Google、Hadoop等云计算平台。Google提出的Map reduce编程模型就是针对海量数据的处理。编程人员只需集中注意力在所需解决的并行计算任务上,而不需要考虑数据的分割、任务的分配、容错等细节问题,极大的提高了编程的效率。本文提出了根据L2范数的位置敏感哈希方法来查找数据点的近似k-近邻,并在此基础上实现了基于局部线性嵌入的特征提取和基于拉普拉斯特征变换的特征提取算法。在特征提取算法中相似矩阵使用L2范数的位置敏感哈希计算近似k-近邻,采用分布式Lanzcos计算拉普拉斯矩阵的特征向量,通过不同的并行策略,使得算法的性能在整体上获得提高。通过实验,分析算法在Map reduce框架上的性能和效果。