信息技术的快速发展带来了数据的爆炸式增长,而在海量数据中如何得到Top-k的结果已经成为了计算机领域研究的热点问题之一,经过多年的发展,Top-k查询技术已经相当成熟。但Top-k查询是从用户的角度出发,检索最符合其搜索条件的前k个结果,而本文则提出了反向Top-k查询,提供了另外一个视角,即站在商家的角度,如何判断某个产品在市场上的受欢迎程度,从而能够为产品生产商提供更大的收益,因此对于反向Top-k查询算法的研究具有重要的商业价值和研究意义。本文主要研究了反向Top-k查询算法,并在分布式的环境中对其进行改进。本文给出了反向Top-k查询的定义并介绍两种反向Top-k查询,即单色和双色反向Top-k查询。针对单色反向Top-k查询,本文从两个定理出发探究了二维空间中的反向Top-k算法,并拓展到k维空间中。而对于双色反向Top-k查询,本文则提出了反向Top-k阈值算法（TA）,并给出了案例说明和优化方法。为了提高双色反向Top-k查询算法的运行效率,本文还提出了反向Top-k角列表的方法,该方法基于一种空间划分的索引结构。本文详细阐述了这一网格的构建方法,并给出了两种不同的递归终止策略,即空间限制策略以及代价保证策略,以适应不同的使用场景,同时分析了数据更新场景下的算法调整方式。当数据量增大到一定程度时,集中式算法的计算代价将过于高昂,从而导致处理时间过长,因此本文提出了在分布式场景下的反向Top-k查询算法,即DRT算法。其基本思路为Map Reduce,算法具体分为三个阶段,Map阶段,Shuffle阶段和Reduce阶段。同时,为了保证结果的正确性,本文对数据点和权重向量分别采用了相应的过滤手段,即基于支配关系的过滤和权重向量的过滤。本文分别采用真实和合成数据集对上述算法进行实验,测试了在不同数据分布、数据维度和数据集大小中算法的性能,实验结果验证了算法的有效性和效率。