随着城市道路交通的快速发展与车辆数量的快速增长和之相关的交通数据量呈现的几何级数的增长,对于车辆相关数据的处理的准确性、可靠性和实时性都提出了更高的要求。当前针对车辆数据处理算法的研究多是以较短时间间隔的小样本数据为基础,相对缺乏对较长时间间隔数据的匹配算法。同时现有的数据库管理技术已经难以满足对日益增长的海量浮动车数据管理和应用的需求。针对这些问题,本文提出了一种基于Hadoop的实现大样本浮动车GPS数据处理的地图匹配算法。论文的主要研究工作如下:1)通过对现有非关系型数据库和传统的关系型数据库的数据组织方式和应用范围的比较,指出了非关系型数据库对于管理海量数据存在的优势与不足,研究学了Hadoop各组成部分的具体功能、基本原理,重点学了MapReduce编程思想和分布式处理流程,为下面的研究奠定理论基础。2)按照车辆定位点与道路的几何关系进行分类,对各类典型的地图道路匹配算法进行了回顾,介绍了现有的大样本车辆数据地图匹配算法的实现方式,指出了将云计算应用于地图道路匹配的必要性以及当前研究中存在的问题。3)利用并改进现有的道路压缩方法来实现道路数据的预处理,详细的分析了空间因素(包括角度、距离、连通性、时间因素如上传间隔、行驶速度等)和历史匹配结果对匹配结果的影响,改进了时间因素的计算方式,给出了一种基于匹配度反馈的地图道路匹配算法,并针对适用于Hadoop的并行计算对该匹配算法进行了优化处理。4)利用虚拟机搭建了实验Hadoop平台,对本文提出的基于匹配度反馈的道路匹配算法进行了仿真实验,分别从匹配效果、算法执行效率、对平台的适用度等几个方面进行了验证。通过实验对比该算法匹配前后车辆位置的变化证明采用该匹配算法实现较长时间间隔定位数据道路匹配的可行性和有效性。