网络图是指由网页及网页之间的链接关系组成的图,通过研究网页间的链接关系,抽取有用的信息,多用于爬虫算法,搜索和社区发现等方面。但在应用网络图时,最主要的问题是网络图的大小,如果网络图记录了整个网络,将包含几百亿的网页,如此巨大的网络图在当前存储现状下,不可能全部放入内存进行处理。本文主要研究大规模网络图的压缩表示方法,在k2-tree算法的基础上应用基于分层的方法,改善了矩阵分割的局限性,同时针对分层算法,实现了基于MapReduce模型的并行化改造。首先,对已有的网络图压缩表示算法及网络图自身的统计特性进行了详细的阐述。针对k2-tree网络图压缩表示算法,分析了矩阵分割对于空间占用和查询时间的影响,同时结合网络图本身的分布规律,验证了基于分层的方法有效性,分层方法改善了上层结构和底层节点分割时过于单一的情况,使算法在压缩率和查询效率方面获得了更好的平衡,在保证空间占用的情况下,获得了更好的查询速度。其次,在应用分层算法的基础上,针对网页数量过于庞大的情况,本文实现了基于MapReduce编程模型对Layer-Based-k2-tree压缩表示算法的并行化改造。面对大规模的网络图数据,并行算法依然可以在可行的时间内进行压缩表示的构造,提高了算法的运行效率。最后,通过在不同公开数据集上的实验对比,验证了基于分层方法的有效性。实验数据表明,在保证一定压缩率的前提下,基于分层的方法获得了更快的查询速度；在不同分层区间下,变化曲线呈现一定规律性,使算法在空间和时间上获得了更好的平衡。于此同时,针对不同数据集,进行了在多核计算机上的并行构造实验,验证了并行算法的可行性,对比串行计算过程,获得了最高9.7的加速比。