许多学习和数据挖掘算法性能的好坏在很大程度上取决于能否获得一个好的距离度量。本文研究的内容是关于马氏距离度量的学习。关于马氏距离度量的学习主要可以分为三大类：特征向量的方法、凸优化的方法以及全局监督的方法。特征向量的方法已经被广泛地用于寻找基于输入数据集的有效的线性变换。常用的特征向量方法有：主要成分分析、线性判别式分析以及相关成分分析。然而在如今这个海量数据的时代,传统的单机距离度量学习方法往往无法满足各种学习方法对于其时间和空间上的要求。因此,如何高速并行地完成距离度量学习的任务是一个富有挑战性的问题,具有重要的理论和实用价值。目前,以MapReduce编程模型为基础的云计算平台为海量数据的距离度量学习提供了新的解决思路。本文提出并实现了一种基于Hadoop平台的并行距离度量学习的方法。该方法首先并行计算每个类别的平均向量,从而得到类别间的协方差矩阵；然后在此基础上,通过并行计算得到同一类别内的协方差矩阵；最后通过求特征向量的方法得到线性变换的矩阵。在不同大小的数据集上的实验结果表明,该方法大大提高了距离度量学习的效率,具有较好的加速比。本文还将并行化距离度量学习的结果应用于并行化k-近邻分类,在不同大小的数据集上的实验结果表明,距离度量学习对于提高k-近邻的分类准确率具有显著的效果。而且,并行化的k-近邻分类本身也大大提升了分类的效率,具有非常好的加速比。