空间数据引擎是城市地质环境空间数据管理系统的关键核心部件之一,其功能主要是为城市地质环境时空透视和智能管控相关应用提供动态高效的空间数据存储与查询服务。其中空间数据索引的结构与基于空间索引实现的各种空间查询算法对空间数据引擎的整体性能起着关键性作用。城市地质环境空间数据具有体量大、多维度、空间分布不均匀和几何形态复杂等特征,基于这些特征目前已有的空间索引与空间查询技术在实际应用中尚存在着以下几个问题:（1）在空间数据索引方面,主流空间索引结构（如R-tree和VoRtree）无法满足对大规模、分布不均匀的地质环境空间数据的高效访问需求;（2）在面向空间分析应用的空间查询方面,基于空间近似性的查询算法（比如性能领先的反向k近邻问题SLICE算法）无法实现大规模查询场景下的快速响应,因此无法有效支持实际应用中的空间插值分析;（3）在基于边界约束的空间查询方面,现有空间区域查询算法（如Oracle Spatial PIP算法）在运行的过程中存在候选集有效命中率较低、冗余空间计算量大的问题,在面对几何形态不规则的区域查询时,难以快速的返回查询结果。针对上述问题本文开展了以下3个方面的研究工作:（1）研究设计支持空间数据高效检索的新型空间索引结构;（2）研究提出面向城市地质环境数据的高性能空间查询方法;（3）研发基于新型空间索引结构和空间查询方法的空间数据引擎建并开展应用示范。基于这些研究工作本文所取得的研究成果主要表现在以下4个方面:（1）通过逐层抽稀构建Voronoi图的方式,设计提出了一种多层Voronoi图结构的空间索引MVD（Multi-layer Voronoi Diagrams）;基于MVD索引提出了一种名为MVD-NN的最近邻查询方法,并且借助VR-kNN的设计思想以MVD-NN算法为扩展实现了kNN查询方法MVD-kNN。（2）利用圆、椭圆和双曲线三种典型圆锥曲线的特性,设计提出了一种利用已验证的数据点来辅助验证其它数据点的RkNN验证方法CSD（Conic Section Discriminance）;并利用Voronoi图实现了一种候选集规模比已有算法更低的候选集产生方法;最终将上述的RkNN验证方法和候选集产生方法组合形成一种名为CSD-RkNN的新型RkNN查询算法。（3）利用数据点构成的Voronoi图,根据数据点与查询区域的空间拓扑关系将所有的数据点进行分类,定义了边界点、内部点、外部点、边界邻居点、绝对内部点和绝对外部点等几种不同类别点的概念,根据不同类别点之间在Delaunay图上的连通性,设计提出了一种通过识别边界点来降低冗余I/O和冗余空间关系计算的新型空间区域查询方法。（4）基于提出的索引结构和空间查询方法设计了一套空间数据管理解决方案,并根据该方案开发实现了一套支持NN、kNN、Bi-RkNN、Mono-RkNN、Region和Buffer等空间查询功能的城市地质环境空间数据服务引擎。该数据服务引擎以Geo JSON为空间对象承载格式,通过Web Service方式发布数据服务,同时支持本地存储和HDFS分布式存储两种存储模式,具有良好的可扩展性。基于深圳市全市分布的3万余条地质钻孔数据和14万余条地面POI数据,开展了面向地质环境空间数据管理与查询的示范应用,取得了良好的应用效果,验证了本文方法的有效性。本文的创新点主要体现在以下3个方面:（1）设计提出的MVD索引摒弃了主流空间索引所采用的树形结构,而是采用一种多层网络结构,规避了树形索引的节点失衡问题和节点重叠问题,所以在其基础上实现的最近邻查询算法（MVD-NN）在I/O性能和运行效率方面均优于目前R-tree族索引上性能最优的最近邻查询算法（BFS）。（2）提出的CSD-RkNN算法利用Voronoi图的相关特性缩减了候选集的规模,并通过圆锥曲线判别法（CSD）提升了大部分候选对象的验证效率,所以其I/O性能和查询效率均优于目前最先进的RkNN算法（SLICE）。（3）提出的BPI-Region算法利用了查询区域边界点（即Voronoi单元与查询区域边界相交的数据点）将查询区域的内部点和外部点隔离成两个在Delaunay图上互不连通点集合,从而避免了绝大部分内部点的冗余空间验证和外部点的冗余访问,所以该算法的I/O性能和查询效率均优于目前R-tree族索引上最优的区域查询算法（Ocracle Spatial PIP）。