近年来科技的发展大大提高了天文观测设备的数据采集能力,各波段的天文数据量呈指数级增长,天文学逐渐走向了全波段巡天的“大数据”时代。面对如此庞大的数据量,使用串行或者传统的并行处理方法已经很难胜任。如果没有更加高效的手段来解决效率问题,隐含在其中的价值很难快速、有效的发挥出来。随着分布式计算的兴起,以Spark为代表的分布式计算框架改变了并行计算的形式,成为了下一代大数据分析与计算的不二之选。本文在借鉴前人工作的基础上,围绕Spark分布式计算框架和天文数据融合的效率问题和相关技术进行了探讨与研究,并结合天文数据的特点,深入研究Spark的并行计算优化机制,在天文计算中发挥Spark分布式计算的优势。为了解决天文研究过程中面临处理天文大数据效率的问题,本文从以下两个方面进行了研究:一是天文数据的归档。本文提出了一种基于HEALPix索引和Spark框架的高效分布式天区覆盖生成算法。算法通过引入层次化索引思想,在应用HEALPix伪球面索引的基础上,将大规模天文数据层次化、分块、连续存放,从而提升后期交叉证认、漏源监测等天文计算中对数据进行访问、处理的效率。二是天文数据的融合。为了解决大多数在线交叉证认工具无法满足大规模数据下的匹配计算的局限性,本文提出了一种基于Spark的大规模天文数据交叉证认算法。通过分析交叉证认的原理,利用HEALPix球面分区方法解决交叉证认中的距离匹配问题;结合Spark分布式计算框架的特性提出多点优化,以提升交叉证认在大规模数据中计算的效率。以上两个方面均通过实验验证了方法的可行性,均能够在短时间内完成大规模天文数据处理与计算。本文的研究成果可以为天文大数据环境下的天文研究提供综合的技术参考。