随着信息技术和互联网的蓬勃发展,多媒体数码设备的广泛使用,我们拥有了超越以往任何时代的图片信息资源。但由于图片信息的丰富性产生了高维度的图片数据,如何对其进行有效的索引和检索是一个迫切需要解决的问题。传统的检索方法依赖图片的文本标注,而人工标注的代价难以承受,且因为标注主观性过强导致效果不佳。因此基于内容的图片检索成了当下研究的热门,它提取图片的特征作为索引依据,通过对特征的近邻搜索来检索对应的图片。基本的近邻搜索是顺序地扫描数据库,但由于图片特征的高维度,计算所有图片的相似度代价巨大,而传统的近邻搜索算法在面对高维数据时常常失效,当维度高到一定程度时,其搜索效率甚至不如顺序扫描。本文参考了部分前人的研究,针对高维数据提出了基于二维嵌入的快速近邻搜索算法,能够较为高效的搜索准确的近邻。我们首先提出了结合制高点树结构的点过滤策略,通过数据的嵌入在低维空间上快速的过滤非近邻点,从而缩小搜索空间。为了增强点过滤的效果,我们加入了数据采样算法,通过合理的样本采样,以较小代价获得了对过滤阀值更精确的估计,从而提高了数据点的过滤率。通过这种“采样-过滤-验证”三步骤结合的策略,我们的算法能够较为有效地对高维数据进行准确的快速近邻检索。在研究性数据上的实验结果表明,我们的算法能够有效地处理高维数据,并较为快速地检索出查询点的准确近邻。最后我们将算法应用到草图检索中,并实现了对应的草图检索系统。