学习索引是最新提出的一种索引范式,旨在利用机器学习模型学习存储介质上数据的分布,从而达到降低空间成本并提高检索效率的目的。目前的学习索引工作部分或完全遵循“数据是一维、静态的,且有序地存储在内存数组中”的强假设。然而在大数据时代,尤其以流数据为代表的应用场景中,上述的学习索引工作很难发挥实际的作用。终其原因,流数据具有的多维性和动态性与已有工作存在的强假设是相悖的。本文首次将学习索引的应用范围拓展到流数据场景,具体工作如下:（1）本文提出了支持频繁数据更新的一维动态学习索引框架。该框架由存储结构、学习模型和反馈机制三个部分组成。基于稀疏内存数组的存储结构提供了对有理论性能下界保证的数据插入操作的支持。基于分段思想的学习模型拟合了数据段上键值与相对位置的映射关系。反馈机制将存储结构上的数据更新及时地反映到学习模型的参数上。实验证明,该框架能够以仅增加少量空间成本为代价,提高了查询操作的效率,并减少了参数重训练的时间成本和计算资源开销。（2）本文改进了学习索引在面对多维数据时的投影策略并设计了相应的查询算法。多维空间中的数据不存在天然的顺序,学习索引在处理多维查询时需要通过投影策略将数据映射到一维空间。为了解决流数据在映射后存在的分布倾斜问题,本文针对分布漂移和维度相关两个引起分布倾斜的原因对投影策略提出了相应的改进。在动态学习索引框架和投影策略的基础上,本文提出面向多维空间数据的范围查询和近邻查询算法。实验结果表明,本文提出的方法能够对比R+树和KD树等传统多维索引提供更高的查询效率。