加权异构信息网络（Weighted Heterogeneous Information Networks,WHIN）是图模型的扩展,具有异构性、语义丰富性和关联性,有更好的语义表达能力,被越来越多地用做数据表示模型。大数据时代下,相似性查询处理技术得到广泛应用,是目前数据管理技术的研究重点之一。图编辑距离（Graph Edit Distance,GED）最常用于度量图模型的相似度。然而,GED仅能度量无权图的相似度,并且GED的计算是一个NP-Hard问题。本文首先定义了加权异构信息网络编辑距离。然后,提出了星型结构映射距离和加权元路径映射距离的计算方法来得到WHIN的编辑距离的近似值。此外,本文分析了两种映射距离与编辑距离的关系,得到了编辑距离的上下界,用于加权异构信息网络相似性查询的过滤验证。实验结果验证了上下界过滤算法能够提高相似性查询的效率,同时也验证了映射距离作为编辑距离的近似值,在结构特征较强的网络相似性应用上有着很好的性能表现。在加权异构信息网络规模较大时,使用映射距离进行相似性查询的效率会很低,因此本文提出了一种基于特征向量的加权异构信息网络相似性度量方法。本文通过对WHIN的结构和内容进行分析,提出了结构向量和内容向量的计算方法。通过合并向量的方式将网络转换为特征向量。本文通过计算两个特征向量的相似度来得到两个WHIN的相似度。实验证明,特征向量的计算效率极高,有着良好的拓展性,在实际应用中使用特征向量相似性计算方法进行相似性查询有着不错的准确率。在实际应用中,无论是编辑距离还是特征向量都不能很好地表达两个WHIN之间的语义相似性。因此本文提出了一种基于特征结构的WHIN相似性度量方法,定义了能够表达网络语义的特征结构,将WHIN转换为特征结构序列。本文通过对特征结构序列中的元素进行分析,提出了一种加权匹配的特征结构序列相似度算法,提高了特征结构序列相似性查询的精度。实验证明,本文提出的复合特征结构比基本特征结构更能体现现实语义信息,特征结构序列的提取算法有着良好的拓展性,特征结构序列的相似度算法在强语义网络相似性查询应用中也体现出了出色的查询效率和查询准确率。