在数据库和文件系统相关领域的研究中,如何加快数据的检索和查询速度一直都是一个热门研究内容。现如今流行的hadoop和spark之类的大数据框架都是利用专门的计算引擎进行数据的分片处理,而利用数据划分策略对数据进行分块预处理则可以巧妙的将可能的查询计算时间转移到数据存储时进行。数据划分策略是一种利用特殊方法或函数进行数据切分并存储的方法。数据划分策略也可以当作一种数据被查找前的预处理方法。基于hash的数据划分策略是一种被广泛研究的方法,但是传统的划分方法可能在高维数据上产生大量的数据块,并且对数据的分布有相应的要求,局限性相对明显。同时,如果数据的分布不均匀,那么进行分块将必然会导致节点间的数据分布不均衡。由于以上种种原因,如何进行高维数据的有效划分和查找,同时保证划分后的节点间数据分布的均衡、查找的均衡是本文的主要研究问题。论文对数据划分方法、查找方法和再平衡方法进行了系统的研究,本文的研究成果主要有:1、提出了一种基于CMD的稀疏数据划分和查询方法,针对特定高维且部分维度内数据分布稀疏情况的数据,利用先验知识选择特定的部分维度进行基于CMD方法的网格数据块划分,再对其余属性进行B+树索引;B+树的节点内采用改进的三点插值法进行查找,同时利用一种类似于bitmap的方式作为B+树的索引以便于插值搜索法的查找。2、提出了一种基于LRU算法的数据不平衡条件下的再平衡方法,基于CMD的网格数据块划分方法在数据不满足均匀分布时必然会导致节点间数据分布的不平衡,于是效仿内存置换算法进行节点间的数据块分布的再平衡。实验采用了合成的倾斜分布的数据,并在再平衡前后分别进行了范围查询的速度对比,结果显示了该种调整算法的可行性和有效性。