随着时代不断发展,人们对数据检索的效率和准确程度的关注不断提高。现实世界中数据的维度往往比较高,传统的索引方法,例如哈希索引,虽然作为一种高效的信息检索方式被广泛应用于各类信息检索系统中,但目前已经越来越难以应对复杂的情况。如何高效而且有效的进行数据检索成为热门话题。为了保证检索效率,牺牲一定的准确度来换取更高的查询效率成为一种可行的方法。近年来,随着人工智能和深度学习的发展,机器学习在越来越多的领域发挥了巨大的作用。在此基础上,Google提出了一种使用机器学习模型代替传统索引结构的全新思路,并提出了可学习索引架构。本文首先总结了前人使用机器学习模型构建哈希函数的工作,并介绍了一种传统的树形结构:KD树。在可学习索引架构的基础上,提出了用于最近邻查找和k近邻查找的可学习索引框架:可学习的KD树LK。该框架包含了六个阶段,每个阶段都定义了具体的作用和规则。相比较于前人,本文的创新点在于提出了全新的LK框架,利用LK框架实现了最近邻查找和k近邻查找,在选取合适的损失函数的基础上分析了各种参数对实验结果的可能影响,并总结了如何在具体的情况下选择合适的参数。最后,通过实验验证了LK框架的可行性,从运行时间和准确率两个角度和KD树进行了对比,并针对框架存在的问题提出了改进方法。实验结果表明,无论是生成的数据集还是真实数据集,LK框架能够在保证一定查找精度的基础上,在查找时间上获得一定的优势。