近些年来计算机网络发展十分迅速,信息共享无时无刻不在发生,这就使得如何在纷繁复杂的信息世界中迅速定位所需的资源成为当前研究的重点和挑战。由布隆提出的布鲁姆过滤器就是一种高效解决现有问题的数据结构,它能以很小的存储代价迅速地进行元素匹配。但是随着网络的发展,传统的布鲁姆过滤器所支持的精确查询已经不能完全满足新兴网络应用的需求,这些网络应用要求对数据进行近似成员查询（Approximate Membership Query,AMQ）。近年来学者们也提出了不少针对近似成员查询的布鲁姆过滤器算法,而这些算法并不支持面向缺失数据的近似查询,但是现实中的数据大多数表现出高维度、维度冗余、带有缺失值的特点,这就限制了传统近似查询布鲁姆过滤器的使用范围,同时当数据维度较高时,哈希运算所需的时间也会较长,这意味着高维度数据插入、查询的时间代价较大。因此本文提出了面向缺失数据的低开销近似查询布鲁姆过滤器,本文主要成果如下:提出了一种面向缺失数据的基于PCA（Principal Component Analysis）降维的近似查询布鲁姆过滤器结构,同时设计了在这种结构下数据的插入、查询操作。本文使用存在缺失且维度冗余的数据训练PCA投影矩阵,该矩阵高度适应与训练数据同分布且存在缺失的数据降维,使用该投影矩阵对后续数据进行降维,用降维后的数据进行插入与查询操作。以上步骤使得对高维度冗余且存在缺失的数据的近似成员查询成为可能,同时通过降低数据的维度减小了查询时间代价。本文使用真实数据充分验证了算法的误判率较其它方案低。提出了一种面向缺失数据的基于自编码器降维的近似查询布鲁姆过滤器算法。由于标准的PCA降维是一种线性降维方法,在数据线性不可分的情况下效果将降低,由此本文提出了一种基于自编码器的非线性降维方法代替之前的PCA降维过程,该方法高度适应非线性数据降维。本文通过理论分析证实了基于两种降维方法的近似查询布鲁姆过滤器算法的有效性,在真实数据集实施对比实验证明了在数据集线性不可分情况下,基于自编码器降维的近似查询效果较好。