随着5G时代的到来,云计算、大数据、物联网系统所处理的数据正朝大规模、高维度的方向快速发展。但对大规模的高维数据进行近似最近邻搜索是一个“维度灾难”问题,已成为了许多领域的难题。由于相似性搜索被广泛应用于文本相似性搜索、基于内容的图像检索等应用领域的关键方法中,找到一种快速有效的高维数据搜索方法是非常迫切且有意义的工作。局部敏感哈希及其变种是解决大规模高维数据的近似最近邻搜索最有效的方法之一。因其搜索的时空复杂高效性及结果的精确有效性,已成为视觉领域和高维检索的研究热点。传统针对大规模高维数据的局部敏感哈希方法存在如下缺点:第一,许多局部敏感哈希算法依赖于数据结构及空间划分方式;第二,许多算法在投影过程中会产生大量的随机向量,增加了时空开销;第三,大数据时代融合学习的局部敏感哈希算法训练难度大,繁琐复杂。因此,如何快速和高效率的对各物联网系统产生的数据进行近似最近邻搜索已经成为一个巨大的挑战。针对以上问题,本文分析了局部敏感哈希各类算法的优缺点,在邻域粗糙集的基础上,提出了一种基于邻域知识的局部敏感哈希方法,同时结合基于克罗内克积的快速JL变换理论分析选择一种矩阵转换方式运用到近似最近邻搜索中,最后通过与其它算法对比,突显了本方法的优越性。本文的主要贡献如下:（1）针对高维数据稀疏、不一致等特点,本文结合邻域粗糙集中上下近似、正域负域等相关理论,构建了一种新的数据结构,充分挖掘数据的邻域知识,数据的邻域可以获得查询中的高精确率并使算法具有良好的普适性。（2）针对哈希索引搜索方法的不足,本文利用邻域构建查询索引,提出了一种基于邻域知识的局部敏感哈希搜索方法（Neighborhood-based Locality-Sensitive Hashing,NLSH）,有效地拓展了局部敏感哈希的能力。且设计了算法实验,论证了算法的优越性。（3）针对各物联网系统产生的数据规模大、维度高的特点,本文充分运用基于克罗内克积的快速JL变换理论并选择一种合适的投影方式,将高维数据以极小的距离损失投影到低维空间中,降低了算法的复杂度并极大的优化了算法NLSH。