随着移动互联网和物联网技术的广泛应用,空间位置信息数据量迅速增长。而大规模的数据使得传统的空间数据索引和查询方法面临着新的挑战。例如,由于数据量的增长使得传统的内存式索引结构的磁盘访问次数大大增加。因此,有效的空间数据查询问题需要新的可扩展的分布式索引结构。而目前常用的少数几种分布式索引为基于R-tree的分布式索引和基于Voronoi图的分布式索引,这些索引结构仍存在一些不足。首先,由于R-tree的层次型结构不易分散化,使得该索引结构的可扩展性不高；基于Voronoi图的索引结构只适合处理静态的数据集和查询点,当有数据点动态加入时索引结构需要重建。由于缺乏有效的分布式索引结构,大数据下的空间kNN查询处理也变得非常困难。在这种背景和需求之下,Google提出了一种高效的分布式计算模型MapReduce,并因简单、易扩展、高容错等特性使其迅速在业界内得到广泛的应用。基于MapReduce模型,本文将网格空间划分和倒排索引相结合,首次提出了一种新的分布式倒排网格索引结构。该索引结构扁平化、松耦合的特点,使其更加适合索引大规模空间数据和进行分布式化处理。同时,我们在MapReduce框架下实现了分布式倒排网格索引结构并详细描述了Map和Reduce的过程。基于该索引结构,本文对传统的kNN查询算法进行了改进,提出了一种新的可并行的查询算法——ParallelCircleTrip算法。另外,我们做了大量的实验验证倒排网格索引和改进的kNN查询算法的高效性和可扩展性。实验结果表明分布式倒排网格索引方法在建索引的效率方面明显高于已有的分布式R-tree索引和Voronoi图索引,且效率是其他两种索引方法的1到2倍。基于ParallelCircleTrip算法的分布式并行k近邻查询处理的性能也达到接近于线性扩展。