随着互联网时代信息技术的深入应用,信息的来源日益增多,数据规模呈现急剧增长的趋势。面对海量的数据,越来越多的企业或组织开始重视数据的存储应用,数据仓库在这方面的应用越来越广泛。在数据仓库基础之上的数据分析对于企业或组织定量的决策发挥着越来越重要的作用,对于海量数据的处理需要更高的计算和存储能力,在普通PC面对这样的问题出现瓶颈的时候,云计算平台以及相关技术的出现,为研究解决该问题提供了支持,如何在云计算环境下有效的组织存储数据,高效的完成海量数据上的分析处理成为一个热点研究问题。本文通过详细分析了当前联机决策分析(OLAP)技术在面对海量数据时查询处理时的局限性,提出了一种新的多维聚集通用模型,详细分析了该模型在OLAP分析上的可行性,利用MapReduce在处理大规模数据时的并行处理能力和分布式文件系统的存储能力,完成了基于统计直方图的数据立方的构建和存储,并在该模型下,设计实现了OLAP分析的经典聚集算法,如求和、计数等算法,对于传统OLAP分析无法支持的分析操作,如求众数、中位数等,利用该模型的特点在MapReduce下设计实现了相应的算法,算法可以高效的利用Hadoop集群的计算能力完成分析操作。另外在本模型下,提出了海量数据下数据更新问题解决方案,可以较好的支持数据的增量更新。通过以上方法,极大的提高了海量数据上的聚集查询运算效率,可以较好的支持海量数据上的OLAP分析操作。针对数据仓库上的近似查询需求,本文还在统计直方图的基础上,重新设计了一种新的直方图划分方法,分析了该划分方法下产生的误差以及空间损耗,并在划分后的直方图上,重新设计了不同的聚集查询算法计算近似的查询结果,利用该方法,能够有效降低聚集查询计算时间,减少查询的响应时间,从而高效的支持用户提出的近似查询需求。