KNN-join是一种新近才提出的操作，它在数据挖掘中有着广泛的应用。利用KNN-join的“一次一个集合”的性质，一些数据挖掘任务，例如分类、例外挖掘和聚类等，就会更加容易地进行。MuX和Grreder则是两种专为KNN-join设计的算法。由于MuX是利用R树索引来减少CPU耗费，那么和其它基于R树索引的应用一样，它必然面临着“维数灾难”的困境；而Gorder对I/O和CPU耗费的优化是有条件的，那就是要有合适粒度的格子，由于数据分布预先是未知的，因此确定合适粒度的格子也是困难的，其性能随之降低也就不难理解了。为了综合利用这两种方法的优点，一种新的KNN-join处理方法-pgi-Distance(parallel gridindex-Distance)被提了出来。 首先，pgi-Distance使用双层结构可以对I/O和CPU进行同时优化。第一层结构是粗大的细胞(Cell)结构，它可以有效地降低磁盘的随机读写从而达到对I/O进行优化的目的。第二层是细胞中的索引结构，索引有利于简化计算，对CPU的优化有利，这样通过双层结构I/O和CPU都得到了优化。 其次，基于距离的索引能够让pgi-Distance更好地适应数据维度和分布的变化。在高维空间中，最常用的索引是基于MBR的R树及其变形树，众所周知，R树面临着“维数灾难”的困境，为了避免这种不利的情况，pgi-Distance将高维空间映射到一维空间，采用B<+>树对各数据点进行索引，由于B<+>树是一种为各DBMS厂商广泛支持的索引，这就让pgi-Distarice成为一种更为实用的KNN-join处理方法。 第三，pgi-Distance是一个支持并行KNN-join处理的方法。数据挖掘需要处理海量的数据，除了研制高效的算法外，另一个有效途径就是并行化。由于pgi-Distarice是利用格子对数据空间进行划分，边界问题容易处理，便于进行并行化。 最后，同时在标准数据集和真实数据集上做了实验，实验表明pgi-Distance是一种高效实用的KNN-join处理方法。其中真实数据集来源于“三江并流植物多样性空间数据仓库”，实验的结果对实践具有指导意义。