随着信息技术的快速发展，海量高维数据不断涌现，高维数据明显增加了计算，存储的代价，给机器学习，模式识别等提出严峻的挑战，如数据灾难。数据降维能有效地避免维数灾难，已经成为图像检索，模式识别，机器学习等领域的热点问题。其中非负矩阵分解（Non-negative Matrix Factorization，NMF），是一种强大的数据降维工具，已经在机器学习（如分类，聚类问题）领域得到广泛使用。面对高维数据，无约束NMF需要花费大量的计算，运行速度慢。针对这一缺陷，Qing He提出的NMF结合Extreme Learning Machine(ELM)特征映射的方法（EFM NMF）可以有效的减少NMF的计算量。然而以随机参数生成为基础的ELM特征映射是非线性的，这将会降低无约束的NMF生成的子空间中数据的表示能力。针对EFM NMF中数据表示能力降低的问题，本文提出一种改进的EFM NMF数据表示方法EFM GNMF。通过结合ELM特征映射与图正则化非负矩阵分解（Graph Regularized Nonnegative Matrix Factorization，GNMF）的方法，在不降低NMF生成子空间中数据表示能力的情况下，有效减少NMF计算运行时间。在当前大数据环境下，Hadoop作为开源项目，是当前流行的云计算平台，其以HDFS和Mapreduce两项核心技术为基础。由于在单一节点下不能完成海量数据的存储和分析工作，本文详细分析了Hadoop分布式平台，在Mapreduce编程框架下，对EFM GNMF算法进行了并行化分析和实现。本文详细分析了EFMGNMF并行化中的两点：（1）Mapreduce框架下矩阵的相乘，详细介绍几种不同的矩阵相乘；（2）Mapreduce框架下GNMF中K近邻图矩阵的计算，一般的K近邻图矩阵计算在Mapreduce框架下时间复杂度高，本文将介绍一种近似K近邻的方法来构造K近邻图矩阵。本文将在Matlab环境下，用COIL20图片库，CMU PIE人脸数据库和TDT2文本数据库进行实验，对EFM GNMF的有效性进行分析。完成EFM GNMF的并行化，在Hadoop环境下对EFM GNMF的计算效率进行测试。