随着互联网技术的高速发展,以及云计算,物联网,人工智能等技术的成熟,应用的数据规模呈现爆炸式增长,例如:电子商务,社交网络,网络游戏等。在数据规模增大的同时,对于数据的存取性能要求也越来越高。如何高效地处理海量数据是目前数据库系统面临的巨大挑战。传统的关系型数据库由于复杂的关系模型和强一致性等自身的局限性,已经无法满足互联网应用的需求。键值数据库具有接口简单、低延迟、高吞吐、可扩展性强等优点,被广泛地应用在各种互联网应用中,已经成为当前应对海量数据管理的重要手段。但是,现有的键值数据库系统读写性能还无法完全满足应用的需求。例如,在缓冲区管理中,键值数据库存在内存利用率低,无法适用混合内存等问题。在存储引擎方面,键值数据库系统由于大都基于LSM-tree结构,存在较为严重的写放大问题。本文围绕键值数据库的读写优化问题,针对键值数据库系统缓冲区管理和存储引擎两大问题开展研究,旨在通过对缓冲区管理和现有基于LSM-tree（Log-Structured Merge-tree）的存储引擎的设计和优化,大幅提升键值数据库系统的存取性能,为未来键值数据库技术的发展提供新的参考。总体而言,本论文的主要工作和贡献可以总结为以下几个方面:（1）研究和提出了一种多粒度的缓冲区管理方案MG-Buffer,提高了键值数据库缓冲区管理的效率。传统的缓冲区管理基于页面粒度,本论文提出了结合页面粒度和元组粒度的多粒度缓冲区管理策略MG-Buffer。该方法修改了页描述符等数据结构用来记录页面中元组的访问信息从而识别页面中的热数据和脏数据,并通过高效的迁移算法保证了缓冲区置换时热数据和脏数据不被换出。我们通过实验将MG-Buffer与多种已有的缓冲区管理方案进行了对比,结果表明MG-Buffer可以提升20%的缓冲区命中率同时缩短20%的运行时间。（2）研究和提出了一种自适应的缓冲区管理方案AMG-Buffer,使键值数据库缓冲区管理能够适应访问负载的动态变化,提高了缓冲区管理的自适应能力。我们通过实验发现,元组粒度的缓冲区管理和页面粒度的缓冲区管理存在着各自的优缺点,因此采用固定粒度的缓冲区管理策略无法适应访问负载的变化。因此,本论文在页面粒度和元组粒度的缓冲区管理基础上,提出了通过页面的聚集度（Clustering Rate）来动态地选择缓冲区管理粒度的方法,并据此设计了一个自适应的缓冲区管理策略AMG-Buffer。AMG-Buffer能够基于访问负载的变化动态调整内部的数据布局从而带来性能的提升。在多种负载上的实验结果表明了AMG-Buffer的高性能和自适应性。（3）研究和提出了一种针对DRAM+PM（Persistent Memory）混合内存的缓冲区管理方案HiBuffer,在保证缓冲区命中率的前提下减少了对PM的写操作,提升了键值数据库缓冲区管理的整体性能。考虑到混合内存架构的特点,本论文设计了新的缓冲区管理方案HiBuffer,它通过新的缓冲区结构以及基于DRAM的异位更新策略吸收写操作,从而减少持久性内存的写次数。同时,HiBuffer还提出了一种并发读取机制,缓解了同步操作造成的额外读I/O。我们构建了基于真实Intel傲腾PM的实验环境,并与多种已有策略进行了对比,实验结果表明了 HiBuffer的有效性。（4）研究和提出了一种针对LSM-tree引擎的块合并策略,并构建了一个新的键值数据库存储引擎BlockDB,有效地解决了 LSM-tree合并操作带来的写放大以及缓存失效问题,提升了基于LSM-tree的键值数据库存储引擎的性能。不同于传统基于SSTable文件的合并操作,本论文提出了一种新的基于数据块粒度的块合并（Block Compaction）方法。该方法通过复用数据块,有效地减少合并操作带来的写放大。此外,我们还提出了块合并的三种优化技术,即选择性合并（Selective Compaction）、并行合并（Parallel Merging）和延迟删除（Lazy Deletion）。最终,我们在LevelDB基础上实现了基于块合并策略的新型存储引擎BlockDB,并与多个已有的存储引擎进行了对比,包括LevelDB、RocksDB以及L2SM。实验结果表明BlockDB能够减少32%的写放大和缩短46%的运行时间,并且在点查询和范围查询方面均优于对比系统。