近年来,集群研究的迅猛发展也推动了医疗行业的飞速发展,医疗数据的体量和规模也成倍增长。随着医疗技术的不断提升,医学治疗的信息化发展也极大的提升了医疗的精准度。分布式医学影像系统作为医院影像科与门诊的桥梁,可以协助医生完成影像诊断。影像大数据中的成像和判读算法与以往的分布式应用不同,单一算法元较独立,具有运行时间长,资源占用多,隔离性要求高,任务逻辑关联性大等特点,并且需要充分考虑算法后期独立部署、横向扩展、持续升级的需求。因此,构建云端医疗大数据平台,如何有效利用计算集群资源并满足以上特点,是构建大数据平台需要面临的最大的挑战。针对于本系统的数据接入、负载均衡以及服务调度等问题,本文设计并实现了分布式医学影像平台的服务端子系统。其中数据接入模块完成了客户端与云端心跳建立连接,定义了数据交互格式以及如何断开连接等;负载均衡模块使用Marathonlb+Zookeeper设计并实现;服务调度模块针对于Mesos系统现有API给出自定义Mesos Framework的详细实现以及Framework调度器以及执行器;并研究了Mesos中原生DRF调度算法,针对本系统对其进行了定制化改造,并对改进后的算法进行了性能测试;最后利用harbor搭建了本系统的镜像仓库,方便运维人员进行镜像管理和调用。对于系统的整体监控、任务状态监控、计算机节点管理等问题,本文设计并实现了Web监控管理子系统。使用Spring,Require JS,Echarts等Web技术,将集群信息保存在Redis以及My Sql数据库中,实现了对集群的管理和监控,方便系统的运维和管理。文章最后对系统整体进行功能测试以及性能测试,测试结果表明本系统基本符合需求和预期设计,并对本系统的角色权限管理以及日志系统整合做了部分展望,希望后续可以将其完善。本文构建的影像大数据平台,通过Mesos分布式资源管理和Docker容器隔离技术,将需要运行的判读算法和成像算法打包成容器镜像,使其可以弹性地共享资源并且对应用程序进行隔绝,很好地解决集群中资源的动态分配问题,提高了应用程序集群的资源利用率和集群的吞吐量。