多媒体数据是网络大数据的一种主流表示形式,并呈现出海量、高维、异构等特性。如何在大规模多媒体数据中,快速、准确地检索出目标数据是计算机研究领域的一个基本问题,其解决方案被广泛地应用于诸如物体检索、身份识别、三维重建等场景中。不过,高效的近邻查询一般需要借助数据的提前索引,而多媒体数据的高维特性使得多数传统索引技术失效,并导致精确近邻的查询效率急剧下降。近似最近邻检索技术脱颖而出,逐渐成为解决上述问题的有效方法。其中,基于乘积量化的近似近邻查找和基于哈希技术的近似近邻查找是最具代表性的两类方法。近年来,基于原型的量化方法引起了越来越多研究人员的兴趣,代表性工作包括K-均值哈希和自适应编码哈希。该类方法试图兼具上述乘积量化和传统哈希两种技术的优点,达到在保持检索精度的同时,又能提高检索的效率。首先,类似于乘积量化,基于原型的量化方法把原始高维空间进行子空间划分,然后在每个子空间内对训练数据进行聚类量化。同时,结合哈希技术,该类方法把类别中心进行哈希表示,并尽量保持原始空间和二进制空间上类别中心之间距离的一致。这样,基于原型的量化方法,既通过聚类量化保持了数据表示的精度,又可以借助数据的二进制表示直接通过汉明距离进行近邻计算。不过,由于原始空间和二进制空间的距离度量本身并不一致,基于原型的量化方法引入一个常量尺度因子把二进制空间的度量放缩到原始空间中进行比较。我们在实验中发现,多个子空间的尺度因子其实并不相同,如果能在二进制聚类中心的优化过程中,同时平衡多个子空间的尺度因子,将能够进一步提高基于原型量化方法的表示和检索精度。基于这种思路,我们改进了传统基于原型量化的优化目标,并把多个子空间尺度因子的方差为零,作为目标函数的约束条件。进一步,我们提出了一种参数交替优化的求解方案来寻找上述优化问题的近似最优解,并给出了该求解方案的算法复杂度分析。最后,我们在八个公开数据库上进行了大量的数值实验,对本文算法的参数进行了性能分析,并与多个现有的近似最近邻检索方法进行了性能比较。实验表明,本文方法在子空间数目较多的时候,算法性能优于多种目前流行的方法。