随着移动互联网和基于位置服务(LBS,Location-Based Services)应用的日益普及,空间数据量也在不断增长。这些迅速增加的空间数据给传统的空间数据索引机制带来了新的问题,而这些传统的索引方法往往是基于内存的或者优化磁盘访问的先决条件。因此,大规模空间数据索引面临着新的要求与挑战。本文针对目前应用最广泛的R树空间索引结构节点重叠率高和索引大数据集时效率差的问题进行优化,以大规模数据集作为空间索引研究对象,主要从以下几个部分进行研究:首先针对传统R树构建过程中节点重叠率高的问题,引入K-means聚类算法对节点聚类来减小最小包围矩形MBR(Minimum Bounding Rectangle)的重叠程度。研究中,发现由于K-means聚类算法在处理大数据集时时间效率差,随着数据集点数增长聚类时间开销呈指数增长,造成基于K-means聚类R树构建时间过长。为此,本文又引入空间点模式分析法来对K-means聚类算法的时间效率进行优化。空间点模式分析运用分区统计方法来区分空间对象的分布模式,合理确定初始质心,减少迭代次数。从而降低基于K-means聚类R树的构建时间。其次针对地理空间点数量不断增加,聚类开销远远大于R树构造所需的开销的问题,本文提出一种基于改进K-means聚类的双层索引结构R树(DLIS-R,Double-Layered Index Structure R-tree)。聚类DLIS-R树利用X-means聚类算法将研究区域划分得到的多个子空间作为全局索引,对子空间数据分别建立R树索引作为局部索引。以全局索引和局部索引结合的方式来提升R树索引的效率。最后,本文将上述的两种算法以Java语言在Eclipse编辑器中编程实现,通过多组数据集进行测试,实验结果统计得到,聚类DLIS-R树相比R树节点重叠率降低了20%,效率提升最高为91.56%,最低为69.39%,表明聚类DLIS-R树算法优化了R树空间索引的检索效率。