数据的不确定性在诸多现实的应用中广泛存在,如电信、军事、金融、经济、物流等领域。且不确定数据广泛应用于RFID网络、市场分析、移动对象跟踪以及环境维护等应用。由于这些应用的重要性及收集、累积不确定数据数量的猛增,对这些数据进行查询已经成为一个重要的任务,并日益成为数据库研究者关注的焦点。而由于数据规模急剧的海量增长,致使在数目有限的存储服务器上很难容纳这样海量的待处理数据,更无法由有限数目的计算服务器来处理。用并行处理技术来处理这样的海量不确定数据已成为现在发展的一个趋势。本文详细研究了Google的开源Hadoop并行计算模型MapReduce的计算框架以及贝叶斯网络的不确定性推理技术,充分利用了MapReduce在处理海量数据集时的并行性处理特性,提出了一种面向贝叶斯网络不确定性推理的精确推理算法的并行化处理框架。该算法主要实现了利用MapReduce的并行编程模型来处理贝叶斯网络变量消元算法的并行化过程,将贝叶斯网络中节点的联合概率边缘化。本文在提出以上算法的基础上,对贝叶斯网络不确定性推理的并行化处理过程进行了改进。实验表明该算法充分发挥了集群系统的并行计算能力,极大地提高了处理海量数据的运行效率,有效地减少了运算成本及时间,提高了基于不确定数据的查询效率。最后,对本课题进行了工作总结和未来展望并对下一步研究工作提出了建设性的方案。