利用卫星、广播等空间电磁信号对目标空域进行探测和搜索为发现入侵飞行器提供了一种新的可行手段。然而,在纯净信号与反射信号的对比过程中,涉及快速傅里叶变换等大量信号处理运算,对后端数据处理带来了数据量庞大,实时性要求高,可靠性要求高等诸多挑战,采用传统计算模式已不能满足需求。为了提供更快速便捷、稳定高效的计算服务,本文从并行算法设计、云平台搭建、计算任务调度三个方面提升了大规模信号搜索云平台的数据处理能力:(1)设计了基于Spark的并行信号深度搜索算法。针对传统算法存储数据量有限,读取数据慢的问题,本文基于MapReduce方法,将数据存储于Spark框架里的弹性分布式数据集,分发计算任务到各个计算节点,完成以并行快速傅立叶变换为核心的信号数据处理。通过分布式存储数据提高系统数据量,在运算过程中采用内存存储中间数据,提升了信号搜索速度。(2)设计实现了面向信号深度搜索的容器化云计算平台。为提升计算资源利用率,简化开发流程,本文采用了容器技术实现计算资源虚拟化,通过Kubernates系统管理应用的开发维护,编排Docker模版以实现容器快速部署,提供稳定强大的计算能力。为更好服务于信号深度搜索应用,在云计算平台中融合GPU设备进行快速傅立叶变换任务,提升了算法处理速度。(3)为了更好利用计算资源,为大规模数据处理任务服务,本文提出了一种基于机器学习的任务调度算法。在云平台处理计算任务时,各主机资源利用不均匀,通过分析预测主机中CPU、内存、存储等资源利用模式,寻找出资源过载和空闲的主机,使用EM算法对将类似的容器进行特征提取分类,通过容器的迁移减少过载和空闲的主机数量,实验证明此调度算法在节约资源的同时提高了系统稳定性。