针对大数据环境下并行深度森林算法中存在不相关及冗余特征过多、多粒度扫描不平衡、分类性能不足以及并行化效率低等问题，提出了基于互信息和融合加权的并行深度森林算法（parallel deep forest algorithm based on mutual information and mixed weighting，PDF-MIMW）。首先，在特征降维阶段提出了基于互信息的特征提取策略（feature extraction strategy based on mutual information，FE-MI），结合特征重要性、交互性和冗余性度量过滤原始特征，剔除过多的不相关和冗余特征；接着，在多粒度扫描阶段提出了基于填充的改进多粒度扫描策略（improved multi-granularity scanning strategy based on padding，IMGS-P），对精简后的特征进行填充并对窗口扫描后的子序列进行随机采样，保证多粒度扫描的平衡；其次，在级联森林构建阶段提出了并行子森林构建策略（sub-forest construction strategy based on mixed weighting，SFC-MW），结合Spark框架并行构建加权子森林，提升模型的分类性能；最后，在类向量合并阶段提出基于混合粒子群算法的负载均衡策略（load balancing strategy based on hybrid particle swarm optimization algorithm，LB-HPSO），优化Spark框架中任务节点的负载分配，降低类向量合并时的等待时长，提高模型的并行化效率。实验表明，PDF-MIMW算法的分类效果更佳，同时在大数据环境下的训练效率更高。