朴素贝叶斯算法(Naive Bayes)是一种基于统计理论的分类算法,其在各种分类任务中有着广泛的应用。针对当前需要对海量的数据进行分类和用于训练的带标记的样本数据非常匮乏等问题,本文选取了文本分类任务作为应用场景,然后对朴素贝叶斯分类算法、半监督学习算法与MapReduce分布式计算模型展开研究,论文的主要工作有：首先,本文介绍了云计算技术的背景和现状。其中本文详细讨论了开源的Hadoop分布式计算系统和MapReduce分布式计算模型,特别是对其分布式原理进行了的解释,同时介绍了基于Hadoop系统的两个分布式数据库系统——Hive项目和HBase项目；其次,本文分析了当前基于朴素贝叶斯算法的几种分类方法,并根据各个方法的特点选择了一种比较适合与MapReduce分布式计算模型相结合从而应用于海量数据的半监督的朴素贝叶斯算法,本文将该算法与MapReduce分布式计算模型相结合提出了一种并行化的半监督的朴素贝叶斯分类算法。然后本文将该算法应用于真实的文本数据,并对实验结果进行了分析,从实验结果可以看出该算法可以有效地应对海量的文本数据,同时利用无标记的文本提高分类器的分类性能；最后,本文介绍了一个基于Hadoop分布式平台的面向海量数据的挖掘工具——Dodo工具箱的设计,本文将会介绍如何使用该工具箱的各项功能、该工具箱的设计开发过程及其技术细节与创新点。