随着领域中的数据量高速的增长，传统计算方法在处理大规模数据集运算时出现了性能上的瓶颈。伴随着“云计算”时代的到来，一种简单的并行计算模型MapReduce进入了人们的视线，它将实现和业务逻辑分离，只需要简单地调用接口就可以实现分布式的计算。作为一种解决方案，MapReduce有效的解决了传统算法处理大规模数据集运算的性能瓶颈。期望最大化算法作为机器学习中的一个非常重要的算法，在当代的工业、商业和科学研究领域发挥了越来越重要的作用，而传统算法逐渐体现出了对大数据量的不适应。因此，将该算法移植到云平台上，从而突破性能上的限制是非常有意义的事情。首先对Hadoop项目和MapReduce模型做了深入的分析，并在现有的MapReduce算法基础上提出了一些改进方案，第三章介绍了最大期望算法的原理，并详细地分析了该算法能移植到云平台的原因。第四章提出了期望最大化算法在MapReduce中实现方案，分析了隐马尔科夫模型训练问题，该问题的解决方案是期望最大化算法的一种特殊情况，并在此基础上提出并实现了MR-BaumWelch算法。第五部分对MR-BaumWelch算法性能做了测试,并和单机计算框架Giza++做了对比分析，结果表明移植到MapReduce计算框架后，算法在处理数量和处理效率上都有较大的提升。MR-BaumWelch算法是在海量数据处理需求的前提下，将期望最大化算法和MapReduce计算模型结合的一种算法，实现了传统算法向“云计算”平台的迁移。并充分考虑到了未来业务的发展需求，实现了超大规模的数据运算理论模型。在设计思想中融入了大数据的概念和分布式处理的思想，并且保证了高可靠性和高精确性的要求，实现了完整的编程接口，体现了较好的封装特性，具有较高的推广价值。