随着信息爆炸式的增长,相似性检索被越来越多地应用于非结构化数据库中,例如图像库、三维对象库、生物序列库等。相似性检索已经成为信息检索中的一个重要研究领域。然而,在现有的大多数相似性检索中,对信息对象采用的度量方式为单度量。由于相似度计算的复杂性以及信息特征的多样性,单度量检索往往取得的效果不甚理想,且无法满足用户多变的需求。为了解决这个问题,现借助于多度量空间搜索来改善相似性检索的效果,并在相似性检索中引入多度量的动态组合来满足用户多变的需求。这里,线性多度量加权方法作为多度量动态组合的典型方式,被选取用于相似性检索中的度量基础。现在,在可度量空间中一般使用聚类索引树作为索引结构,其中CM-tree(Cluster Metric-tree,可度量聚类索引树)是一种较好的结构,但它不适用于多度量空间。因此将CM-tree进行改造,使它适用于多度量空间,进而支持动态相似性检索。并且,对CM-tree的构造算法进行改进,使得它在结构上有更好的聚类效果,从而进一步提高检索效率。最后,在上述的索引结构上实现动态K-NN(K-Nearest Neighbors,K近邻)相似性检索算法和其相应的裁剪法则。最后,针对索引构造和K-NN相似性检索,将改进后的索引与原始CM-tree进行对比测试。从而证明了改进算法的有效性。另外,在该索引上进行动态相似性检索测试,以验证改进后的索引对多度量动态相似性检索的适用性和有效性。