近年来,随着数据库在不同领域的广泛应用,用户对于信息的查询处理提出了更多元化、更高效的要求。数据查询中简单的聚合(如MAX、 MIN、 SUM、 COUNT)很容易计算,但查询获得的精确结果并不足以充分表达数据的联合或空间分布情况,数据分析师通常需要对数据分布进行更深层次的洞察。金融证券信息分析、网络流量监测、传感器网络采集的实时信号、Web访问日志分析、商场购物交易等应用,由于其产生数据的无限性和实时性,用户无法存储全部数据,而只能存储数据的概要信息,因此不可能直接对原始数据进行查询处理而获得精确的结果。实际上,在许多决策分析中,查询处理并不要求有严格精确的计算结果,多数往往需要基于像分位数、略图和小波等占用空间非常小的近似概要信息来进行近似查询处理,称之为Summary查询,从而帮助决策者快速进行决策分析。因此针对基于概要结构的查询处理和分析具有更大的机遇和挑战性,在数据库应用领域具有很高的研究价值。本文正是围绕基于分位数概要的查询处理和分析技术而展开的研究。本文主要研究如何基于分位数概要结构进行近似处理查询,并对Summary查询中的多属性查询问题展开了深入的研究,提出了基于分位数概要的多值对象KNN (K Nearest Neighbor, K最近邻)算法,实验表明其是有效且高效的。全文主要的研究工作如下：(1)针对索引结构中Summary查询不能超过一个查询属性问题,采用aR树数据结构,提出了基于分位数概要的KNN算法Q-KNN及GQ-KNN,其扩展并解决了Summary查询的多属性查询问题。(2)基于真实数据集和合成数据集进行了实验分析,实验表明算法具有高精确性和可伸缩性。