近年来,随着互联网技术和全球定位技术的发展,最近邻查询广泛应用于位置信息检索,在图像检索、数据处理、模式识别以及机器学习等领域也都具有非常重要的意义。已有的查询方法主要针对点与点的近邻查询、点与线段、线段与线段的近邻查询问题,但无法直接解决点和线段混合的复杂数据的近邻查询问题,为了弥补已有方法的不足,本文提出了点和线段混合复杂数据的最近邻查询方法。首先为了解决欧氏空间下的混合数据最近邻查询问题,通过判断查询对象是查询点还是查询线段两种情况来进行查询,利用Voronoi图对数据进行初步修剪,减少数据对象的数量,给出了NN＿FILTER(Point P,Line L)和LNN＿FILTER(Point P,Line L)两个数据集约减算法。根据坐标法和矢量算法对点与线段的距离进行计算,再通过判断线段与线段的位置关系,用点与线段距离的计算方式来对线段到线段的距离进行计算,在这两个最短的距离之中判断出较短的距离,进而可以精确的找到其最近邻,给出了QMDNN＿REFINE和LMDNN＿REFINE两个数据集精炼算法。理论与实验研究表明,所提算法能有效的处理混合复杂数据的最近邻问题。进一步研究了路网环境下的最近邻查询问题。首先对数据集进行了预先处理,提出了Array(q,P,L)算法,使得线段与路网的交点与数据线段形成映射,数据点与其所在单元格的H值也形成映射。然后利用QHR树索引和最短路径定理对点和线段的混合数据集进行约减,得到NMNN＿FILTER(q)算法。之后继续修剪过滤后的集合中的点,计算查询点到候选集合中的点的最短距离,对所得到的最短距离进行比较得出NMNN＿Search(q)算法,进而得到精确的最近邻查询结果。这一方法解决了路网环境下的混合数据最近邻问题。