随着移动互联网与物联网等技术的迅猛发展,出现了大量的带有位置信息的数据,这给大规模空间数据的索引与查询带来了一系列的需求与挑战。近邻查询作为典型的算法已广泛应用于数据挖掘、支持决策系统,商业定址等领域。现有的索引技术与近邻查询算法,因为内在的顺序性执行与基于内存设计的算法所限,而无法直接应用于大规模空间数据处理中。本文深入研究如何在分布式环境下进行可扩展的空间索引与查询算法设计。首先,本文提出了新的分布式空间数据索引方法：倒排空间网格索引。该索引是将分布式倒排索引与空间网格划分方法相结合。松耦合与无共享的结构使得倒排网格索引具备良好的可扩展性。其次,在云计算环境中基于我们的索引结构,设计了云计算环境下的并行轮圈遍历与分布式kNN查询算法。证明了kNN查询算法的收敛性,并将计算性能与可扩展性与同类算法在分布式环境下进行了实验比较。最后,实现了基于倒排空间网格索引的Basic-SRNN基准算法和Lazy-SRNN、 Eager-SRNN两个优化算法来有效地处理大规模的多维RNN查询。其中Lazy进行延迟剪枝所有的空间数据点,Eager-SRNN采用流的方式进行查询空间的增量剪枝。并证明了kNN查询算法的精确性与完备性。大量的真实与仿真的数据集上完成的实验分析结果表明,我们实现的大规模反近邻查询在不同实验条件下均优于当前最好的算法。