布隆过滤器是一种用于解决近似集合存在性问题的概率数据结构。由于其空间高效、易于实现的特点,布隆过滤器被广泛应用于垃圾邮件过滤、恶意网址识别、冗余项检测等任务。机器学习技术对语音识别、信息检索等领域产生了重要影响。B+树、哈希索引、布隆过滤器等传统索引技术没有利用数据的分布特征。尽管布隆过滤器是空间高效的,但是在大数据场景下依然需要占用很大的空间。机器学习技术善于捕捉数据的分布特征。2018年来自麻省理工学院的研究人员Tim Kraska等人提出使用机器学习技术优化传统索引结构,称之为学习型索引。布隆过滤器可以看作二分类问题,学习型布隆过滤器使用机器学习模型作为预过滤器从而减小总体空间占用。本文研究了学习型布隆过滤器的构造方法,研究了其与传统布隆过滤器的区别。针对学习型布隆过滤器查询速度慢的缺点,对学习型布隆过滤器的优化方法进行了研究。主要工作包括以下内容:（1）首先构建了一个学习型布隆过滤器测试套件,可以测试出学习型布隆过滤器在特定假阳性率下的总体空间占用和平均查询时间。为了减小其他因素的干扰,程序完全使用编译型语言C/C++编写,使用静态链接减小了其它因素的干扰。在三种不同的平台上分别进行了测试,有一定的代表性。将总体空间占用和查询速度确定为学习型布隆过滤器的性能指标。（2）设计了一个轻量神经网络模型f,该模型可以将网址分为恶意与良性两类。之后使用该模型构建了一个基准学习型布隆过滤器。针对学习型布隆过滤器查询速度慢的问题,探索了 8位整数量化、16位浮点量化等不同量化精度以及量化感知训练对学习型布隆过滤器查询速度和总体空间占用的影响。结果显示量化感知训练效果最好,空间节省效果最显著,对查询时间也有一定的改善。（3）学习型布隆过滤器的主要计算开销集中在预过滤器模型的推理上,因此简化神经网络模型推理过程中所需要的计算是提高学习型布隆过滤器查询速度的有效途径。一种可行的方案是将高性能的网络转换为计算高效的架构,之后将轻量神经网络模型f转换为二值化网络,使用二值化网络构建了二值化学习型布隆过滤器,测试了不同假阳性率下的查询速度和总体空间占用。针对二值化网络性能下降严重的问题,更改了二值化网络的结构,使用对二值化更友好的结构。使用优化的二值化网络重新构建了学习型布隆过滤器并进行了测试。结果显示,优化的二值化学习型布隆过滤器查询速度是优化前的2倍左右,总体空间占用与基准学习型布隆过滤器相当。