近年来,基于位置服务的应用发展迅速。用户可以基于位置进行信息检索,从而得到更加符合现实需求的检索结果。作为基于位置的信息检索的基础,空间文本查询越来越受到学者的关注。在空间文本查询领域,学者提出了多种查询方式解决现实场景中的问题,但现有的查询方式鲜有考虑到周围兴趣点对返回结果的影响。基于Top-k空间文本聚集查询,本文提出了基于密度聚类的空间文本查询。该查询方式为用户返回符合密度要求的结果簇集,即为用户推荐符合查询条件且空间文本对象密集的区域。本文提出的查询方式解决了Top-k空间文本聚集查询中系统IO开销大和索引结构参数敏感等问题。该方法首先使用IR~2树索引结构对空间文本对象进行索引。然后,根据查询关键字和最大可接受距离对IR~2树进行搜索,并返回相关空间文本对象集。最后,使用基于密度的聚类算法对相关对象集进行聚类,并返回最终的结果簇集。这样可以避免对整个数据集进行遍历,降低了系统IO开销和查询时间。本文将IR~2树索引结构与传统的DBSCAN算法相结合,设计了基于DBSCAN的聚类空间文本查询算法。然而,DBSCAN算法时间复杂度高,影响查询效率。针对这一问题,本文提出了两种不同的改进算法:(1)基于规则的聚类空间文本查询改进算法。该算法使用规则策略减少了DBSCAN算法中对于核心对象的?邻域中对象的扩展数量,从而降低聚类时间。(2)基于快速DBSCAN的聚类空间文本查询改进算法。该算法根据用户输入的查询条件建立网格结构,并结合快速DBSCAN算法,降低了算法的时间复杂度。通过对IR~2树索引结构和本文查询方式的分析,本文发现搜索IR~2树时,可以去除掉包含明显异常对象的节点。针对这一问题,本文提出了基于剪枝策略的聚类空间文本近似查询算法。首先,本文通过增加IR~2树中签名文件的标志位改进了IR~2树索引结构。其次,本文设计了具体的剪枝策略,对改进后的IR~2树的搜索过程进行剪枝,实现了近似查询算法。近似查询算法对改进的IR~2树进行搜索时能在树的高层及时去掉包含明显异常对象的节点,降低了系统IO开销和IR~2树搜索时间。为了验证不同查询参数对各个算法运行时间和系统IO开销的影响,本文在两个不同规模的数据集上对本文所设计算法进行对比实验。实验结果表明,在相同实验条件下,基于快速DBSCAN的改进算法较本文其他精准算法相比效果最好。此外,本文提出的近似查询算法能够有效识别到包含异常对象的节点,并对其进行剪枝,进一步提升了算法性能。