最近邻搜索是向量检索的核心问题,在图片搜索、模式匹配等领域有着广泛的应用。最近邻搜索的目的是从一个向量数据集中找出与查询向量最相似的向量。传统的精确搜索算法在数据维度较低且数据规模不大的情况下,能够取得很好的效果。然而,随着数据维度与规模的增大,传统的精确搜索方法受限于“维数灾难”,不适用于高维向量的检索。因此,近似最近邻搜索问题成为了一个新的研究热点,它通过牺牲一定的精度,更快地从海量向量数据中查找与查询向量最相似的向量。倒排乘积量化（Inverted File Product Quantization,IVFPQ）是一种在工业界应用广泛的近似最近邻搜索算法,它通过乘积量化来压缩向量并加快距离计算的速度,采用倒排索引来避免穷举搜索以提升查询效率。然而,IVFPQ算法对所有的查询向量设置固定的搜索分区数进行搜索,没有考虑到查询向量之间的差异,造成了多余的分区搜索。针对IVFPQ近似最近邻搜索算法的不足,提出了一种基于分区基数估计的高维近似最近邻搜索算法,以提升近似最近邻搜索的查询效率。首先,结合查询向量、查询目标数和查询到各分区中心的距离这三类特征,设计了一个基于神经网络模型来估计最优搜索分区基数,从而降低多余的分区搜索开销。然后,在分区搜索阶段,利用当前第k个搜索结果的距离值作为阈值,采用三角不等式剪枝掉无需访问的向量,减少距离计算的次数。最后,在计算距离时使用了提前终止剪枝优化策略,降低了距离计算的成本。在SIFT、GIST和Text-to-Image三个公开的大规模高维向量数据集上进行了广泛的实验。实验结果表明,提出的基于分区基数估计的近似最近邻搜索算法相比IVFPQ算法在相同的召回率下显著降低了平均搜索的分区数量,提升了查询效率。具体地,提出的方法相比IVFPQ算法最多减少了25%的搜索分区数量,平均查询时间降低了约40%。