随着互联网上信息量的爆炸式增长和空间信息科学的发展，在很多应用中都需要求给定对象的kNN和RkNN，如在文本分类、智能导航、现代通讯、交通控制、气象预报等各个领域都有着广泛的需求。　　kNN查询在文本分类研究等领域有十分重要的应用。kNN问题不仅研究得较早，而且对于它们的商业应用已经相当的广泛和成熟。目前比较常用的文本分类技术主要有：向量空间模型、k最近邻法、神经网络、支持向量机和贝叶斯算法等。而kNN算法是一种有效地文本分类算法。针对传统kNN算法存在计算量过大的缺点，论文引入了生成代表样本集的方法，对原始训练集进行裁剪并予以取代，从而减少了分类系统的计算量，有效地提高了系统的效率。　　近年来，移动设备和无线网络的广泛应用带来了基于位置服务应用(LBS)的快速发展，RkNN查询在LBS中扮演了极为重要的角色。然而现有的RkNN算法一般都是近似的解法或者仅仅适用于某种特定的情况，因此在一定程度上存在以下的不足和缺陷：仅适用于二维空间数据的求解；对k的值有限制；支持静态数据而不支持数据库的动态更新，尤其移动对象数据库；仅能得到近似不能得到精确的结果。为解决这些问题，本文给出了一种能够有效解决多维移动对象RkNN查询的新算法——基于半空间修剪的移动对象RkNN连续监测算法。该算法为每一查询点目标分配一个安全矩形区域，对原有的半空间修剪策略进行改进，使其性能优化，并采用过滤、提炼这两个处理步骤来获取查询点的反向k最近邻，实现了对查询点的RkNN连续监测。