k近邻查询作为信息技术领域中的基本问题,被广泛的应用于各行各业。例如在信息检索中用作近似查询、在机器学习中用作分类以及在数据库、计算机视觉等领域有着不计其数的应用。随着计算机深入到各行业、各领域,数据存储更廉价、更便捷,这些特征造成了当下数据规模大、类型丰富、产生速度快的特点。这些数据特点为数据的管理、分析和利用都带来了巨大的挑战。k近邻查询技术受数据规模和数据维度的影响大,一直是大数据领域中的热门问题。当前,对于k近邻查询技术的研究可以根据其结构特征归纳为:基于树的k近邻查询技术、基于图的k近邻查询技术以及基于哈希的k近邻查询技术。它们都因其结构不同各有优点,但不能同时满足查询时间短、索引空间小、查询结果准确的要求。究其原因是当前用于支持k近邻查询的索引结构都是静态的,不能依据历史查询经验提升索引结构性能,同时忽视了查询工作负载变化对k近邻查询结果性能的影响。综上,本文根据历史查询经验,结合查询工作负载变化提出了一种查询时间短、索引空间小、查询结果准确的k近邻查询技术。本文主要贡献如下:1)针对k近邻查询技术不能依据历史查询经验提升索引结构性能的问题,本文设计了一个查询速度快、索引结构体积小的索引结构称之为HCTree以及一种基于历史查询的索引优化算法。经过基于历史查询优化的HCTree在精度上有明显提升,经过优化的索引结构被称为d-HCTree。2)针对索引结构不能适应查询工作负载变化的问题,本文提出了两种数据分布优化算法,分别是基于历史查询的数据分布优化算法和增量式的数据分布优化算法。基于历史查询的数据分布优化算法可以有效降低d-HCTree的查询时间,并可以使d-HCTree适应查询工作负载的变化。增量式的数据分布优化算法直接应用于HCTree,在保持HCTree查询效率的同时有效提高了查询精度,并赋予了HCTree适应查询工作负载变化的能力。3)针对索引结构适应查询工作负载变化慢的问题,本文提出了一种基于强化学习的数据分布优化算法。通过强化学习模型,不仅有效的提高了HCTree的准确率,还可以有效的缩短数据分布优化所花费的时间,灵活的选择数据分布优化问题的规模,实时的调整数据分布。