在数据分析及数据挖掘等相关领域中,相似性度量都必不可少,比如聚类、分类、异常检测等。尤其是在数据搜索问题上,相似性问题的研究一直都被广泛关注着。相似度在很多机器学习算法和数据挖掘任务中,是很关键的度量之一,而在面对高维数据时,传统的相似度量方法有一定的局限性。基因被认为承载了人类的所有秘密,随着人类基因组计划的开展,各种测序技术快速发展,由此产生的生物序列数指数倍递增。人类对生命奥秘的探索使得人们对基因序列产生了强烈的好奇心,在研究过程中,序列相似性分析是非常重要的一项课题。只有经过相似性分析的序列,才能在已知的序列中获取生命线索,比如不同物种的同源性,进化信息等知识,通过这些信息,能在此基础上很快的推断新序列的结构、功能。同时,相似性分析在疾病层面的应用,也能够有效预测某些致病基因,帮助我们更好的理解疾病的复杂致病机理,从而为人类医学作出贡献。由于基因序列的特殊性,包含较多的冗余信息,如何剥离冗余信息且不对结构造成损害,丢失序列携带的特征信息,在此基础上进行高效相似性检索,是本文研究的主要问题。论文对基因序列和相似性检索进行了系统研究,本次取得的研究成果主要有:1、提出一种基于B树的相似平衡树的数据分割方法和索引结构,利用随机选取两个数据对象作为初始化基准点,计算数据集与这两个基准点的距离差和距离和,以距离和的最小值和最大值作为新的基准点依次迭代计算,生成一颗平衡二叉树,基于距离信息建立了索引存储模型,过滤掉大部分的不相关数据,进行相似性搜索。实验结果表明,该算法不仅可以过滤掉大部分的不相关数据,而且可以按路径读取,具有较小的I/O代价,索引速度得到较大的提升。2、提出构建生物序列新的压缩形式的结构,它可以反映每一个样本的SNP在基因组中的位置信息和SNP之间的强相关性,通过使用LSH算法对生物序列进行降维检索,找到相似的序列,从而找到相似的个体。实验使用GAW20数据集,实验表明该生物序列新型结构在保持生物特征信息的同时有效的剥离了冗余信息,在进行相似性检索的过程中,大大降低了算法时间复杂度和空间复杂度,有效的减少成本开销,在较大规模的基因库数据集上进行的实验也验证了该方法的准确性和可扩展性。