随着时间的推移,最近邻检索算法在大数据处理相关问题上的重要性日益凸现。传统的暴力检索的方法是线性的,在处理大规模高维数据时过于低效。学者们提出的许多传统解决最近邻检索问题的方法,分别是从构建高效的数据结构(如层次聚类树结构和图结构)和使用哈希技术加速数据点间的距离计算这两个方面出发的。在本文中,我们提出了一个新颖的统一近似最近邻检索框架,将数据结构的高效剪枝能力与哈希的数据点距离快速计算进行融合,大幅提升了近似最近邻检索算法的性能。本文提出的基于哈希加速的近似最近邻检索框架,先使用哈希方法对数据点进行编码,然后采用两步排序策略,在原近似最近邻算法的数据结构上进行检索加速。我们进一步拓展与落实上述思路,提出了将哈希分别与层次聚类树结构、一般图结构融合的近似最近邻检索方法。同时,为了规避传统图最近邻检索算法中存在的局部最优问题,我们还提出一种使用松弛检索停止条件的图最近邻检索算法,使得算法拥有更长的检索扩展路径。在诸多大规模高维数据集上的实验结果表明,本文提出的近似最近邻检索框架相比于其他前沿的近似最近邻检索技术有明显的优势。