基于BSP的并行计算系统适用于面向海量数据的图计算、矩阵计算等需要多次迭代的算法实现。其与MapReduce并行计算系统类似,也将基于低成本服务器和本地磁盘来提高海量数据的并行处理能力。而在上述由大规模商用计算机组成的集群中,经常会出现节点的故障,因此如何能够容忍这些故障的出现,并及时地采取补救措施是非常必要的,课题研究的目的是通过故障恢复机制的合理设计与实现,使得系统具有较强的容错能力。因此实现故障恢复的透明性和提高故障检测、诊断、恢复的效率,减少对系统正常工作的影响将是课题研究的重点和难点问题。针对上述问题,本文研究并实现了基于增量检查点的回滚故障恢复机制,它不仅能够有效的节省存储资源,而且故障的发生相对用户具有透明性。文中主要从三个方面展开了研究。首先,针对数据量大时读、写检查点会降低系统效率的问题,本文在原有的检查点机制的基础上进行了改进,实现了检查点的增量读、写,这样不仅大大的提高了读、写检查点的速度,而且有效的节省了系统的存储资源,当数据量达到一定规模时,增量读、写检查点的实现能够有效的提高系统的效率；其次,实现了基于“心跳”的故障侦测功能,成功的解决了主控端如何获得系统故障信息的问题。通过“心跳”主控端可以及时的获取故障相关信息,并触发相应的故障恢复方案。最后,针对作业运行过程中故障发生的随机性,本文对系统中出现的故障按迭代计算过程的前、中、后分成三阶段,并根据故障发生的阶段和类型分别对这三阶段的故障进行处理。经过实际部署与应用,基于BSP的大规模图处理系统的故障恢复机制取得了预期的效果,系统通过“心跳”能够侦测到作业运行过程中可能出现的各类故障并根据故障所处的作业运行阶段和具体的故障类型采取不同的故障恢复方案。同时,该容错系统具有良好的可扩展性,可以方便地增加能够处理的故障种类,或通过进一步的修改应用于相关系统的故障恢复。