数字经济时代,大数据、云计算、移动互联网等新一代的技术催生出了海量的图像、视频、文本等非结构化数据。为了检索这些非结构化数据,通常使用深度学习技术将其转换为结构化向量,再进行向量检索。现在,基于近邻图的方法因其优秀的检索能力,成为了向量检索的主流算法。然而,目前传统的基于近邻图的方法过于依赖内存,在大规模数据下存在着高昂的内存成本。为了解决这一问题,当前的主流方法,如Disk ANN,将高内存占用的近邻图索引存储在固态硬盘（SSD）上,这显著降低了检索时的内存消耗。然而,Disk ANN算法未考虑实际应用中常见的高并发批查询检索场景,导致存在大量冗余的SSD访问请求,这增加了检索时延。本文旨在优化Disk ANN的检索算法,以减少批查询场景下与SSD交互的IO时间。具体研究内容如下:（1）基于路由阶段性特点的批查询重排算法。近邻图路由过程可以划分为两阶段,第一阶段远端路由逼近以及第二阶段近似暴力搜索,且在搜索的第二阶段,查询范围基本位于图中的强连通分量（SCC）中。针对这一特性,本文采用了两个策略减少IO次数:1.提出了基于SCC相似性的批查询聚类算法,从而提高了第二阶段访问SSD数据的复用性,减少了IO次数;2.本文通过缓存策略,优化查询的入口点,进一步减少第一阶段路由过程中不确定随机IO读取的次数。（2）针对“长尾效应”的多队列动态调度策略。在批查询场景下,现有算法存在由“长尾效应”导致的平均IO时间增加的问题。具体地,为了实现足够高的搜索精度,近邻图批查询中少数查询需要占用很长的IO处理时间。在目前单队列的读取策略下,此类查询会增加后续查询的等待时间,从而影响了平均IO时间。针对以上问题,本文提出了多队列动态调度策略,其依赖于两个关键修改:1.通过使用多队列而非单队列,降低了长尾IO对整体IO时间的影响;2.本文根据队列长度最短原则对查询进行调度分配,降低了平均IO时间。（3）基于区域特征的搜索提前终止机制。现有方法中查询终止策略固定,不能根据查询分布自适应终止,易受“长尾效应”影响而导致冗余计算。针对这个问题,本文提出了基于区域特征的搜索提前终止策略,通过查询过程中的区域特征以预测剩余搜索步骤数量,从而实现动态搜索终止并减少冗余开销。基于上述成果,本文设计实现了一个图片向量检索系统,并完成了亿级规模图片的检索应用,验证了本文算法在大规模数据场景下的检索效率和有效性。