随着互联网在各行各业逐步应用,各种各样的数据都需要筛选并处理,如何在这些海量数据中快速找到需要的数据是目前数据库领域中非常重要的研究课题。Skyline查询能够在庞大的数据量中快速找到用户需要的数据,是解决多目标决策问题的重要手段之一。随着skyline查询的发展,已经衍生出许多变种查询,其中动态skyline查询是非常重要的变种查询之一,它能够有效地扩展skyline查询的应用范围。相比于常规skyline查询,动态skyline查询的范围更广,能够满足用户多样化的需求。传统的动态skyline查询通过给数据集建立空间索引的方式来加快查询速度,但是当数据维度数增加到一定数目时,构建索引时的计算量也会随之呈指数级增加,因此构建难度也会大大提高。学习索引（learned index）是近几年被提出的概念,通过机器学习来给数据生成专门的索引结构,它可以有效地减少构造索引的成本消耗。因此,本文研究的是基于learned index的动态skyline查询问题。本文的贡献点总结如下:（1）提出了一种新的索引结构LIDS（a Learned Index structure for Dynamic Skyline）,它利用机器学习中的线性回归模型,将庞大的数据量通过位置预测函数进行排序,相比于B树,它在存储代价和查询I/O成本方面具有明显优势,并且可以快速地确定某个维度上任意查询点的初始页。（2）提出一种针对动态skyline的查询算法DSL（a Dynamic Skyline algorithm based on LIDS）,该算法充分利用LIDS索引特点,快速定位查询点的初始页,轮流在每个维度两端同时扫描数据点,直到算法结束;然后,提出了一种新的查询算法ODSL（an Optimized Dynamic Skyline algorithm based on LIDS）,新的查询算法采用了一种改进的扫描方法,每次在扫描后计算接下来向哪个维度扫描能够最快结束算法。相比基础算法,改进算法的扫描过程多了“方向性”,具有更快的扫描速度。（3）利用真实和合并数据集,首先将本文提出的索引和现有索引进行了对比实验,结果表明,本文所提的索引无论在构建时间,还是规模大小上,都具有明显优势;此外,还将本文提出的基础与改进算法和现有的算法进行了大量对比实验,结果表明,本文所提算法与当前最优的OSSRB算法相比效率更高且I/O代价更低,在查询时间上加快了18%,在I/O成本上减少了12%。