大数据时代对数据管理和数据分析技术提出了新的需求。异构信息网络(Heterogeneous information networks,HIN)具有丰富的语义信息,能表达复杂的数据相关性,目前在书目数据库、社交网络、化学和生物信息系统等领域得到了广泛的研究与应用。与传统的在线数据管理应用中需要对数据进行精确匹配不同,面向大数据的数据挖掘、数据分析和机器学习算法很多情况下需要测量数据相似度。图编辑距离(Graph edit distance,GED)是测量图数据相似度的最常用方法之一,它通过一系列编辑操作把一个图转换为另一个图,并用最小编辑代价来衡量两个图的相似度。本文首先通过引入异构信息网络中的编辑操作,将同构图中GED的概念扩展到异构信息网络,定义了异构信息网络编辑距离。由于图编辑距离计算是NP-Hard问题,本文采用异构星型结构和元路径作为基本语义,提出了两种映射距离来近似计算HIN编辑距离,分别为基于星型结构的映射距离和基于元路径的映射距离。基于星型结构的映射距离是同构图上GED近似算法在异构信息网络上的修改拓展版算法。本文分析了星型结构映射距离与HIN编辑距离的关系,提出了基于星形结构的异构信息网络编辑距离的上下界。基于元路径的映射距离利用元路径来表达异构信息网络特性,并用于近似计算HIN编辑距离。本文同样通过分析元路径映射距离与编辑距离的关系,给出了基于元路径的异构信息网络编辑距离的上下界。这些上下界被用于图相似性查询过滤验证,提高了异构信息网络相似性查询效率。由于图编辑距离计算关注HIN的结构信息,而忽视了语义信息,在某些应用中并不能准确度量两个异构信息网络的相似性。因此,本文提出了一种基于特征结构的异构信息网络相似性度量方法,定义了三种基本特征结构用于表达异构信息网络中的复杂语义信息,分别为:异构星形结构、异构环形结构和异构线性结构。本文基于特征结构重要性定义了主结构,并提出了两种特征结构序列提取方法,分别为基于剩余网络传播度的特征结构序列提取算法和基于特征结构连通度的特征结构序列提取算法。由此,异构信息网络相似性查询问题被转换为特征结构序列之间的相似性查询。本文引入权值函数,提出了一种加权的主结构序列相似度算法,从而提高了特征结构序列相似性查询的精度。基于真实数据集与合成数据集的实验表明,基于元路径的异构信息网络编辑距离上下界在计算时间、占用空间、边界近似度、图相似性查询过滤性能都要好于基于星形结构的上下界。基于特征结构的相似性查询算法较基于编辑距离的相似性查询算法有着更好的查询准确率。基于剩余网络传播度的特征结构序列提取算法比基于结构连通度的特征结构序列提取算法能更精确地表达异构信息网络的语义信息。加权主结构序列相似度算法也在异构信息网络相似性查询应用中表现出了出色的准确率、召回率和拓展性。