异构信息网络kNN查询在数据挖掘领域有着广泛的应用,如链接预测、信息检索、个性化推荐等。现有的相关算法是给定一个查询对象,返回k个目标类型对象。而实际上,很多需求是查询与多个对象相关的实体,即多对象kNN查询。为了解决这个问题,本文针对异构信息网络多对象kNN查询算法开展相关研究工作。根据查询语义的不同,本文提出两种查询框架:基于特定语义的多对象kNN查询（Specific Semantic based Multi-object k-Nearest Neighbor Query,SSM-kNN）和基于融合语义的多对象kNN查询（Fusion Semantic based Multi-object k-Nearest Neighobr Query,FSM-kNN）。SSM-kNN采用元路径表示查询语义,选择单条元路径在信息网络上进行相似性和相关性计算,只考虑查询对象与目标对象间已有的特定联系,完全依照用户意图进行查询处理。FSM-kNN则综合考虑多种关联关系进行kNN查询,不仅利用网络中的显性关联语义,同时纳入了隐含关联语义。由于查询语义的不同,SSM-kNN中的多个查询对象必须是相同类型,而FSM-kNN对查询对象类型则没有限制。针对基于特定语义的多对象kNN查询,元路径可以由用户给出,对于网络结构复杂而用户难以给出查询元路径的情况,本文提出了基于关联分析的元路径确定算法,通过分析查询对象间的隐含语义确定查询元路径。根据对象影响力,本文提出了查询对象集合与同类对象间的相似性度量算法m-Path Sim（Multi-object Path Sim）以及与异类对象间的相关性度量算法m-Avg Sim（Multi-object Avg Sim）。为了解决多对象暴力kNN查询速度较慢的问题,本文提出了基于邻接矩阵过滤的多对象kNN查询算法和基于上界过滤的多对象单色kNN查询算法。最后,实验结果表明了多对象kNN查询算法的有效性,而两种过滤算法能够提升30%到90%的查询效率。针对基于融合语义的多对象kNN查询,本文首先提出了网络嵌入算法Repeat Random2Vec,利用基于元路径的重复随机游走算法和异构Skip-gram算法融合查询语义,将网络映射到低维向量空间中。为了分析查询对象间的关联关系,本文提出了查询对象集合语义偏向分析算法,通过构建子网络计算共同关联对象,用于增强查询对象间的隐含语义。针对低维向量空间,本文将多个对象对应的特征向量转化为一个重心向量用于距离度量。为了解决低维向量空间kNN查询效率问题,本文提出了基于Balltree的多对象kNN查询算法以及基于Voronoi图的多对象近似kNN查询算法。本文通过大量实验,证明了网络嵌入算法Repeat Random2Vec和基于融合语义的多对象kNN查询算法的有效性,而查询优化算法则可以将查询效率提升88%到90%。最后,本文设计并实现了多对象kNN查询系统,提供了交互良好的查询界面,验证了算法落地应用的可行性。