(1)大數(shù)據(jù)存儲管理技術。大數(shù)據(jù)存儲技術首先需要解決的是數(shù)據(jù)海量化和快速增長需求。存儲的硬件架構(gòu)和文件系統(tǒng)的性價比要大大高于傳統(tǒng)技術，存儲容量計劃應可以無限制擴展，且要求有很強的容錯能力和并發(fā)讀寫能力。目前，谷歌文件系統(tǒng)(GFS)和Hadoop的分布式文件系統(tǒng)HDFS奠定了大數(shù)據(jù)存儲技術的基礎。大數(shù)據(jù)存儲技術第二個要解決的是處理格式多樣化的數(shù)據(jù)，這要求大數(shù)據(jù)存儲管理系統(tǒng)能夠?qū)Ω鞣N非結(jié)構(gòu)化數(shù)揖；進行高效管理，代表產(chǎn)品如：谷歌BigTable和HadoopHbase等非關系型數(shù)據(jù)庫(NoSQL)。
    (2)大數(shù)據(jù)并行分析技術。大數(shù)據(jù)的分析挖掘是數(shù)據(jù)密集型計算，需要巨大的計算能力，對計算單元和存儲單元的數(shù)據(jù)吞吐率要求極高，并要求計算系統(tǒng)有非常好的擴展性和性價比。谷歌的MapReduce是主要的大數(shù)據(jù)分布式并行計算技術之一，而開源的分布式并行計算技術Apache HadoopMapReduce，已經(jīng)成為應用最廣泛的大數(shù)據(jù)計算軟件平臺。
    (3)大數(shù)據(jù)分析技術。大數(shù)據(jù)分析技術的發(fā)展需要在兩個方面取得突破，一是對規(guī)模非常龐大的結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)進行高效的深度分析：二是對非結(jié)構(gòu)化數(shù)據(jù)進行分析，將海量復雜多源的語音、圖像和視頻數(shù)據(jù)轉(zhuǎn)化為機器可識別的、具有明確語義的信息，獲取隱性的知識。大數(shù)據(jù)分析的技術路線主要是通過建立人工智能系統(tǒng)，使用大量樣本數(shù)據(jù)進行訓練，讓機器模仿人工，獲得從數(shù)據(jù)中提取知識的能力。2006年，科學家根據(jù)人腦認知過程的分層特性，提出增加人工神經(jīng)網(wǎng)絡層數(shù)和神經(jīng)元節(jié)點數(shù)量，加大機器學習的規(guī)模．構(gòu)建深度神經(jīng)網(wǎng)絡，可以提高訓練效果，使得神經(jīng)網(wǎng)絡技術成為機器學習分析技術的熱點，并在語音識別和圖像識別方面取得了很好的效果。