随着科技的发展,数字内容在许多领域都得到了广泛应用,比如教育、医学以及娱乐等,这就不得不涉及到数据内容版权管理的问题。在基于内容的数字版权检索系统中,由于数字多媒体容易编辑,合理编辑或非法篡改多媒体导致提取出的版权标识符或内容特征码与原始记录存储的数据会存在一定的偏差,这就需要在版权特征数据库中查找与某给定数字内容“相似”的版权信息,这样的查找过程叫“相似性检索”。如何在大型版权数据库中快速检索到基于内容的相似性检索就显得越来越重要。传统的最近邻查询受到“维度灾难”的影响,随着数据维度的增加,传统的索引结构性能急剧下降。针对以上问题,考虑到近似最近邻(ANN)搜索算法是为了解决高维空间的快速搜索问题。通过近似最近邻的方法可以快速获取与检索要求大致相似的点集,一种实现ANN算法的重要方法就是局部敏感哈希(Locality Sensitive Hashing,缩写为LSH)算法。LSH算法是建立在哈希索引基础上的ANN搜索算法,它不依赖于数字内容特征维数,与其它基于Tree的数据结构,诸如R-Tree、KD-Tree、SR-Tree相比,它较好地克服了维度灾难,能够将最近邻查询的时间复杂度缩减到次线性,可以有效地解决高维特征向量的ANN搜索问题。本课题的主要工作为：研究并学习LSH算法的基本原理和方法,通过更快哈希函数的计算和跳过重复点等方法对LSH算法进行了优化,然后通过实验数据对改进后的LSH算法和传统的索引方法的查询性能进行了详细比较,实验结果表明,改进后的LSH算法在不降低准确度的情况下,耗费时间更短,提高了查询效率。进而分析得到如下结论,将改进后的LSH算法应用于基于内容数字版权检索中,其性能优于传统的索引方法。