空间数据查询问题在地理信息系统、基于位置的服务等相关领域都有着广泛的应用价值。最近邻查询是其中的一种基本问题,通过计算数据点到给定查询点的距离,返回使该距离达到最小的数据点。为了满足不同的查询需求,对最近邻查询问题进行了扩展,其中聚集最近邻查询是求解到查询点集的聚集距离最小的数据点,成为了近年来研究的重点。传统的聚集最近邻查询处理的均为确定性数据,但由于数据本身的不准确、填补缺失值、粗细粒度间的数据转换等原因,使得空间数据引入了不确定性,不确定数据也逐渐成为了人们研究的热点问题。而传统的近邻查询方法无法处理不确定数据,因此本文基于不确定Voronoi图,研究了不确定数据的聚集最近邻查询相关问题,主要研究内容如下:首先研究了不确定数据的概率阈值组k最近邻(PTGk NN)查询问题。PTGk NN查询问题对应于聚集最近邻查询中的sum函数,因其应用范围更广经常被单独讨论。由于不确定数据的特殊性,其近邻查询问题涉及到大量的概率值计算,这成为了影响CPU时间的主要因素,所以需要避免无关数据点的计算。本文提出了PTGk NN算法,采用不确定Voronoi图的性质过滤掉一部分数据点,并根据该查询问题的特点设计相应的剪枝规则,得到候选集合,可以有效减少结果集合概率值的计算量。进一步研究了概率阈值聚集最近邻查询问题。提出了PTANN算法,针对三种不同的聚集函数设计了相应的剪枝规则,并讨论了新增或移除数据点对原有查询结果的影响。最后研究了概率阈值障碍k聚集最近邻查询问题。解决了传统近邻查询无法处理障碍物的问题,提出了障碍聚集距离的计算方式。提出了PTOk ANN算法,对于给定的一组查询点集合Q,返回到Q的障碍聚集距离最小的k个数据点,更加符合实际应用的需求,并结合障碍物的存在设计了适合于不同情况下的剪枝规则,有效剪枝不可能成为结果的数据点。