如今信息技术发展越来越快,人们的生活和工作也因此变得更加便利、快捷。在全球的信息共享与交互中,随着互联网技术的深入发展,信息数据的采集、传播速度和规模都达到史无前例的水平,但同时也让全球迎来了一个信息泛滥的时代。面对海量的文档、图片、视频等数据信息的处理,如何对人们需要的数据信息进行快速、有效的存储与查询是目前国内外研究的热点。在信息数据生活的各个领域中,近似最近邻搜索技术已经被人们广泛使用。而近似最近邻搜索的相关方法,也一直是国内外学者研究的热点。乘积量化及其各种改进、拓展的方法,由于具有内存消耗较低和检索速度较快的优点,在近似最近邻搜索（ANN）中得到了广泛的应用。乘积量化是一种分治方法,该方法将高维数据向量均分成多个低维子空间向量,然后对子空间向量分别进行向量量化。但是乘积量化仍然存在不足,乘积量化假设数据向量划分的子空间的信息量是平衡的,实际上数据向量的各子空间信息量可能是不平衡。而乘积量化的性能很大程度上取决于原始数据的分布,如果子空间的信息量极度不平衡,乘积量化则会产生不好的结果。乘积量化方法未考虑数据子空间信息量是否平衡的问题,为了进一步优化乘积量化方法和与其类似方法的性能,本文将针对此问题从两种不同的角度来对现有的基于乘积量化的方法进行优化。第一种角度是将数据空间中的不平衡信息去除,提出了去均值加法量化（MRAQ）方法,首先使用标量量化器单独学习数据点的均值,将数据点去除量化均值得到剩余向量,然后对数据点的剩余向量使用加法量化处理。该方法通过去除量化均值的操作,去除了数据空间中不平衡的信息,使剩余部分达到统计均值为零且各维度的期望值为零的意义上的信息平衡。MRAQ方法通过对比实验验证了在精确率方面得到了实质性的改进,MRAQ方法与经典的方法相比进一步减小了量化误差。第二种角度是利用数据子空间信息量不平衡的特点,根据其信息量的大小为子空间分配不一样的位数,提出了优化位分配乘积量化方法（OBPQ）。乘积量化为子空间分配相同数量的位数,但由于子空间信息量可能是不平衡的,均匀分配位数反而可能会造成较大的误差。优化位分配乘积量化方法首先根据数据集各子空间的信息量所占总信息量的权重为子空间分配不等的位数,然后再以实现量化误差最小为目标函数,去调整子空间位分配,得到最终的位分配。同样通过对比实验验证了该方法的有效性,实现了进一步的性能优化。