近年来,随着移动设备、物联网、智能手机APP等的普及,产生了越来越多的时空位置数据。基于时空位置数据的查询处理在军事、交通、民生等领域具有重要应用价值和实际意义,基于此,本文以连续K近邻查询为切入点对其进行了分析,提出了三种算法。(1)在不确定移动对象方面,提出了一种面向不确定移动对象的连续K近邻查询算法,用以查询预测未来一段时间内周围可能的K近邻。首先,提出两种预测移动对象可能到达的区域算法MaxMin与Rate,利用最近一段时间窗口内的位置采样、速度和方向预测移动对象在查询时刻到未来I区间可能到达的区域。同时使用最小距离与最大距离区间描述移动对象到查询对象的距离。然后采用优化的基于模糊可能度判定的排序方法快速查找查询对象的前K近邻。(2)为了提升查询性能,提出了一种高效的基于多核多线程的并行查询处理框架。首先,根据查询对象的运动速度与相对位置确定不同的查询请求间是否采用查询复用,并确定了查询复用时的距离边界。其次,提出了一种密度网格扩展的多线程数据分发方法,解决了负载均衡问题,同时又将空间位置相邻的查询请求划分到同一线程,从而提高查询复用率。此外,通过多线程间的内存共享机制,对计算过的移动对象的预测区域实现计算复用。(3)针对流式大数据连续K近邻实时查询问题,设计了一种基于Storm分布式实时计算平台的高可扩展的分布式K近邻实时查询算法。首先通过路由器组件(Router Bolt)结合网格索引对当前时间的数据进行分流,为了解决网格索引中边界点的问题,提出了一种扩张网格的概念,用于处理边界区域的数据。然后,使用K近邻查询组件(KNNBolt)结合PR-Tree索引实现高效的分布式K近邻实时查询算法。在大规模的人工合成数据集与真实数据集上设计了综合实验,验证了本文所提算法的有效性和查询性能。