随着计算机技术的发展，向量数据作为重要的数据表示广泛被应用于数据挖掘、机器学习和人工智能等领域。然而大部分的向量数据都因为维度过高无法被人们直观的认识。将向量降维到二维进行可视化是目前普遍使用的方法。然而互联网带来的数据爆炸，导致向量数据的规模越来越大，已有的方法因为效率不佳难以在超大数据上应用，并且已有方法还存在可视化结果随不同随机初始化会有结构不稳定，在大规模数据上存在团块结构撕裂等问题。
　　针对已有方法的稳定性不佳的问题，本文提出的方法以待可视化数据的聚类中心为锚点，先对锚点进行可视化，由于锚点数量少，锚点可视化结果具有更佳的稳定性。在后续优化过程中，本文继续使用锚计算速度点控制可视化结果的宏观结构。针对已有方法的效率问题，本文提出的方法在得到锚点的基础上，使用锚点构建倒排索引，可以快速的构建近似KNN图，加速算法运行。使用锚点的可视化结果辅助初始化相较于随机初始化更接近最终结果，可以减少优化的迭代次数，进一步提高了效率。本文提出的方法是层次化的，首先使用锚点给出粗略的初始化，再进行细节优化。在进行细节优化的过程的每一个迭代步骤，仍然首先优化锚点的位置，再在有锚点参与的条件下进行真实数据点进行优化。
　　本文所述方法适用GPU优化，在GPU上进行了实现，并在包括2000万数据点规模的数据集在内的11个数据集上进行了测试，和已有方法相比，在可视化结果观感更好的情况下，在计算速度、内存占用、可扩展性和K近邻精度等客观指标上都有明显的提升，达到了领先水平。