数据包络分析(Data envelopment analysis,DEA)作为一种评价决策单元相对效率的方法,因其在管理与决策方法中的优异表现,已经被广泛地运用在许多实际场景中。传统的DEA效率计算是依次对每一个决策单元求解DEA模型,随着决策单元数量的增加求解时间将会急速地增加,无法满足现实中求解大规模决策单元应用的需要。在梳理DEA大数据计算领域的相关文献后,本文将现有的方法归纳总结为两大类,分别对应着低密度与高密度大数据环境下的解决方案。本文针对这两种不同数据环境,各自提出了对应的策略来提高计算效率,减少计算时间。在低密度大数据环境下,本文充分利用DEA模型的特性提出一种两阶段计算方法,即第一阶段识别有效单元集,第二阶段使用有效单元集计算余下无效单元效率值。在第一阶段,提出一种具有伸缩性的基于消息传递接口(Message Passing Interface,MPI)的层次分算法,可将大规模数据集分解成多个小的数据集多机并行计算。同时,在小数据集中单机使用MPI开启多进程并行计算,并结合预处理方法快速剔除无效单元以减少计算时间。在第二阶段,针对有效单元数量仍较多不适合做参考集的情况,提出一种改进的试错法,即利用第一阶段求解获得的过程信息来选择更佳的参考点集,随后不断进行最优性检验、重新选择样本点两步骤直至达到最优,得到余下所有无效单元的效率值。后续实验说明在维度较低时,改进的方法可以减少超过一半的迭代次数。在高密度大数据环境下,本文以丹齐格-沃尔夫分解法(Dantzig-Wolfe decomposition)为切入点,针对DEA模型特点进行深入探究。首先将模型转换成对角式结构,再分割为主问题与多个子问题。在MPI主从模式编程与列生成算法的结合中,依次计算每个决策单元的效率值。最后在多个不同来源的数据集中,将本文提出的策略与最新文献中的两种方法进行了实验比较。在低密度大数据环境下,本文的组合策略减少了数倍的时间。在高密度大数据环境下,本文提出的算法与另一高密度算法—试错法进行了实验上的对比,并在实验中发现在大多数情况下计算时间皆少于试错法。