相似性图像搜索问题是指在给定数据集中返回与查询点距离相近数据点的问题。最近邻(Nearest Neighbor,NN)搜索方法在数据点维度较低的时候表现出良好的查询效果。对于高维的数据点,由于维度灾难问题的出现,最近邻搜索方法变得极其困难。为了提升数据搜索的效率,近似近邻(Approximate Nearest Neighbor,ANN)搜索方法被提出来。局部敏感哈希(Locality Sensitive Hashing,LSH)及其变体是解决高维空间中近似近邻搜索问题的著名方案。传统上,这些索引方案是集中管理的,需要多个哈希表来保证搜索质量。然而,由于存储空间的限制,海量数据对象在集中式索引方案中已变得不切实际。因此,基于P2P网络的分布式索引方案被提出,其中,如何保证分布式网络节点的负载均衡成为研究的热点之一。本文针对上述特性及现存方案的一些问题,开展相似性图像索引负载均衡的研究。首先,研究了基于LSH的分布式索引数据分布模型。考虑到数据集中数据特征向量范式的不同,分别构建了基于同构和异构范式的数据分布理论模型,并证明其能准确预测分布式索引数据哈希值的分布。与现有的基于多张哈希表的模型不同,本文提出的模型适用于单张哈希表,其能显著减少创建分布式索引占据的空间。然后,基于LSH的分布式索引数据分布模型,提出了静态分布式相似性图像索引负载均衡机制。考虑利用累积分布函数的特性,在索引机制中提出了一种全新的索引映射方法,能够在概率上保证在数据映射阶段每个节点的负载均衡。本文提出的索引机制得益于正态分布的性质,可以让类似Chord的P2P网络获得更均衡的负载。进一步地,针对节点动态性和索引值映射误差等导致的负载不均衡问题,提出了一种基于虚拟结点的动态负载均衡算法。该算法可以实现P2P网络中重载节点与轻载节点之间负载的动态性调整,从而保持每个节点的负载均衡。该算法扩大了基于LSH分布式索引数据分布模型的适应范围,使静态分布式相似性索引方案更加实用。最后,利用合成数据集和两个真实数据集,对分布式相似性图像索引机制和动态负载均衡算法的效率和有效性进行了实验评估。本文的研究成果在海量高维图像数据搜索和分布式P2P网络技术领域具有重要的理论意义和广阔的应用价值。