近年来，图数据模型广泛应用于生物信息、计算化学、语义网等领域。现有的图数据查询处理技术大多基于频繁子图，是一个过滤、验证过程，即首先通过挖掘出来的频繁子图构造索引，然后根据索引产生侯选集，最后对侯选集中的每一个图进行子图同构验证，最终获取结果集。在这类算法中，索引构造时的参数选择策略影响查询图侯选集的大小，同时验证阶段需要对每一个侯选图进行子图同构测试，没有利用图之间的差异性。　　 本文针对确定图的子图同构查询，定义了图数据相似度，根据相似度构造索引，进行图数据的查询处理。相似度基于图之间的子图映射关系，是两个图之间最大公共子图的集合。相似度索引基于倒排索引，通过计算任意图与其它图之间的相似度构造成相似度集合。与基于频繁子图索引的查询流程不同，基于相似度索引的图数据查询处理是一个迭代收敛过程，首先从数据库中按照对查询图的搜索空间大小选择一个候选图，然后计算查询图与侯选图的最大匹配图，如果侯选图包含查询图，则根据相似度索引输出查询结果集；否则，根据最大匹配图过滤图数据库并重复以上过程。　　 本文针对不确定图数据TOP-K包含查询问题，将概率上界信息集成到确定图数据库频繁子图索引和相似度索引中，提出了不确定图数据库索引结构。通过比较概率上界与中间结果集优先队列中的概率值，减少子图匹配计算次数，提高TOP-K查询效率。　　 实验结果表明，与频繁子图索引相比，本文提出的基于相似度索引的查询方法，对于确定图查询和不确定图TOP-K查询问题，极大减少了子图同构次数，具有更高的查询性能。