集合相似性连接从两个集合合集中找出相似度大于给定阈值的集合对,是大数据分析的重要操作,有着广泛的应用,如发现抄袭的文章、检测近似重复的网页、清洗数据等。许多数据集都可以表示成集合合集的形式,如文章数据集可以表示成字符串组成的集合合集。本文在度量两个集合的相似度时用的是基于同时出现在两个集合中元素个数的Jaccard函数。随着大数据,云计算技术的不断发展,数据正以一个爆炸式的速度增长,这给集合相似性连接问题提出了新的挑战。面对海量的数据,如何快速的挖掘,分析并获得有价值的信息,已经成为了一个必要的需求。而MapReduce作为一个分布式计算编程框架,因为其易编程,拓展性好等特性而广受关注。许多研究者提出了基于MapReduce的集合相似性连接算法,从而可以处理海量的数据。其中,采用先过滤后验证集合相似度连接算法取得了较好的结果,这类算法大体上可划分为两大类:（1）集合整体过滤与验证,这类算法加速了计算,但存在同一集合对多次重复验证的现象,效率可进一步提升。（2）集合数据分段过滤与验证。这类算法将集合切分为多段,然后分段过滤与验证。但当阈值较低时,候选集规模比较大,各个计算节点都将度量相应候选集分片中所有集合对的相似度,计算复杂度依然较高。为了解决这些问题,本文设计、实现并评估采用频繁模式树结构（FP-tree）加速基于MapReduce的并行分布式集合相似度连接算法。本文主要包含以下三大方面的贡献:（1）现有的基于FP-tree和MapReduce频繁模式挖掘算法并未考虑阈值,计算复杂度高,无法应对大规模数据集下的集合相似性连接。因此本文提出面向基于MapReduce和FP-tree的集合相似度连接的两阶段过滤规则,减少对树节点的遍历及过滤掉低于阈值的集合对,减少了验证的时空复杂度。（2）针对大规模数据集下FP-tree挖掘时寻址时间长的问题,本文构建遍历效率更高的线性频繁模式树模型（Traversal Efficient LP-tree,简称TELP-tree）;有效的减少了挖掘寻址的时间;（3）设计、实现并评估了基于TELP-tree和MapReduce的集合相似度连接算法,基于FP-tree集合相似性连接算法,以及现有算法的性能。实验结果表明本文的算法对比基于FP-tree集合相似性连接算法有20%30%的提升,对比现有先过滤后验证集合相似度连接算法在低阈值的情况下有34倍的提升。