目的——在目前的研究中,基于k-均值聚类算法来构建R树存在着一定的缺陷,一方面是对于k-均值算法中k值的确定以及各个属性所携带信息的差异性,另一方面是构建R树时如何维持R树的合法性以及结构的良好性。为了解决上述两方面的问题,本文从改进k-均值算法以及R树构建过程中数据间的距离测度、数据分配方面入手,提高R树构建过程的构建效率以及检索等功能的效率。方法——在k-均值算法的基础之上,通过结合最近邻理论、信息熵理论和概率统计等理论,从初始中心点的选取与确定、数据间结合实际情况的距离加权以及多余数据的划分三个方面对R树构建算法进行优化。研究结果——首先,通过初始中心点的选取以及各个属性的加权两方面对于传统k-均值算法进行了改进,通过实验验证在迭代次数以及准确度方面均有提高;其次,从动态确定聚类个数k值方面进行扩展,提出了基于近邻模型动态确定k值的属性加权k-均值算法,得到较为理想的聚类个数;最后,利用提出的基于近邻模型动态确定k值的属性加权k-均值算法以及基于空间数据的面积、周长确定的权值,通过数据分配原则构建一个结构良好的R树结构。研究的局限性——(1)对于噪声数据的定义;(2)R树节点中数据的动态分配。实际影响——通过动态k-均值算法的提出,能够合理高效的给出某一数据集的最优聚类个数,并且应用在R树结构的构建上,提高了R树结构的构建效率以及检索效率。独创性——利用近邻数据以及信息熵属性加权,提出了动态k-均值算法,可以有效的获取聚类个数;将空间数据的面积、周长以权重的方式加入到空间数据间的距离中,所得距离受空间数据形状影响,更加符合现实情况。