Skyline计算,也称轮廓查询,本质是一个多目标优化问题,目的旨在发现给定数据集中所有用户可能感兴趣的信息。作为一种基础的数据操作方法,Skyline计算在多目标决策支持系统、导航系统、环境监控、数据挖掘等领域有着广泛的应用。因此,自2001年被提出以来,Skyline计算研究一直是数据库和数据挖掘领域许多研究者关注的焦点。Skyline查询算法的设计主要受三个因素影响：数据特征、运行环境和设计目标。数据特征包含数据的生成方式、存储结构、空间维度及规模等信息。运行环境指执行查询操作的计算和网络环境,分集中式和分布式两种。设计目标则包括执行效率、渐进性、公平性、友好性等指标。三种因素的交织造成了Skyline计算环境的复杂多样性。目前,已有多种Skyline算法被相继提出,涵盖了静态和动态数据、固定和移动对象、集中和分布式系统、低维和高维数据空间等不同环境。不过,随着近年来云计算、传感网、大数据、移动互联等技术的飞速发展,新的应用环境和需求不断涌现,同时也对以往相对成熟的环境带来了影响。面对这种情况,现有算法已难以适应发展的需要。本文针对多种环境下的Skyline计算问题进行了研究与探索,主要研究点包括：集中式静态数据集下算法效率的提升问题；移动环境中基于位置依赖的连续查询问题；分布式架构下的Skyline计算问题和集中式静态数据集上的反Skyline查询问题。主要贡献如下：(1)在集中式静态数据集环境下,为提升大规模、高维数据集的Skyline计算效率,从算法自身和计算平台等方面考虑,提出了两种基于多核并行技术的Skyline算法。第一种算法采用预排序策略,将数据集按照任意指定维度排序,然后划分为多个子集进行并行化处理。第二种算法在第一种算法的基础上,首先改进了预排序策略,然后通过选择枢轴点,将数据空间划分为若干区域,利用区域支配关系,减少数据对象之间的支配测试次数,进一步提高了效率。两种算法处理过程简洁,具有较好的渐进性、用户友好型和可扩展性。实验结果表明,对于规模较大、维数较高的数据集,计算效率有较大提升。(2)在移动环境下,针对查询点快速移动时连续、高效输出指定搜索区域Skyline集合的问题,结合数据流技术,提出一种基于位置依赖的连续查询算法。首先使用R-树快速更新查询数据,然后利用两次连续计算时搜索区域的重叠性构造被动数据流,并对新增和失效数据分别进行处理,最终连续输出Skyline集合。由于充分利用了已有计算结果,算法计算量有大幅下降。实验结果表明,该算法特别适合计算频度要求较高的场合,与基于网格索引的算法相比,时间效率随着数据集规模的增大提升明显。(3)在分布式环境下,针对层次化拓扑结构对等网,研究了分布式数据流环境下的Skyline计算问题,提出了一种由下往上分层汇聚结果的算法。对下层网络,通过构造路由树重建了的路由结构,保证在每一跳均能对传输的数据进行有效过滤,降低了计算和通信开销;对上层网络,采用保序映射的方式将多维数据转换到一维空间并排序,然后依据上层网络节点标识符的大小顺序计算,保证了算法的渐进性和效率。实验结果表明,算法具有较好的可扩展性和较小的通信代价。(4)针对应用需求的变化,研究了集中式静态数据集下的反Skyline计算问题,以经典算法BBRS为基础,提出一种改进算法。预先为数据集建立R-树索引,然后以查询点为中心将数据空间分割为若干独立区域,使用一种简单的窗口查询方法并利用多核并行技术加速算法运行。实验结果表明,相对于传统的算法,算法性能有一定提升。