人、机、物三元世界的高度融合引发了数据规模的爆炸式增长和数据模式的高度复杂化,世界已进入网络化的大数据时代。大数据蕴藏着不可低估的商业价值,人工智能、机器学习、深度学习等技术的盛行是大数据商业价值的直接体现。如何从海量数据中高效、稳定地获取有效数据是挖掘数据价值的首要任务,也是许多数据应用系统的必要需求,大数据查询处理是解决该问题的主要方法。大数据查询处理作为大数据处理的核心问题之一,自大数据技术诞生以来一直备受关注。伴随着以Hadoop生态系统为首的大数据技术的发展与成熟,越来越多的大数据查询系统已经问世,当前流行的大数据查询系统有Hive、SparkSQL、Dremel、BlinkDB等等。这些查询系统分为准确查询系统和近似查询系统两类,这两类系统的查询优化方案也不尽相同,大数据准确查询系统主要依托并行处理技术来优化大数据查询,而大数据近似查询系统,除了借鉴大数据处理强大的并行计算能力和存储能力之外,也借鉴了传统的近似查询技术,如分层采样等,来进一步优化查询。本研究从数据的不完全查询角度着手,考虑大数据的查询优化方法。本研究提出了大数据概率查询方法,概率查询的核心优化思路是通过损失数据查全的可靠性来优化数据的查询性能。本文将此称之为置信查全,置信度表示查全的可靠程度,查全率是数据查全的度量,即以一定的置信度查询满足查全率的数据。本文首先定义了概率查询模型,其描述了数据的逻辑和物理组织方式,以及两者之间的映射关系;其次,设计数据的存储和查询方法,提出了数据概率分布算法和概率查询算法;然后,设计了概率查询原型系统Probery;最后,在实验部分证明了概率查询方法的合理性和有效性,通过实验对比,展示了本研究的实际应用价值。数据查询已经广泛应用于各种各样的应用系统,本研究提出的概率查询方法为大数据查询提供了一种崭新的数据查询方式,有助于在数据查询中依据不同需求选择不同的数据查询方法,提高数据的查询性能;同时,本研究在概率查询领域的探索与发现,有助于推动大数据查询技术的发展与应用。