在大数据环境下，每天产生海量数据，并存储在数据库系统中。很多时候，系统新来一个数据，都需要查询该数据是否已经在系统中，也就是对数据的查存。随着数据量增大，查询一个数据是否已经存在系统中消耗的时间也更长。而大多数实际应用却需要系统能快速地响应这类查询。因此，快速地响应查询一个数据是否已经存在系统中，是一个具有现实意义的应用需求。　　针对这种应用需求，论文指出有两种方案可以实现这种需求，第一种方案是通过客户端访问数据库系统，但是将会引起不必要的时间开销。第二种方案就是考虑在内存中实现一个数据结构，表示存储在存储系统中的海量数据。当需要查询某一数据是否存在系统中时，只需要访问内存中的数据结构。第二种方案在时间开销上优于第一种方案。而且方案二中现存很多查存算法，例如有简单的位图结构、高效的布隆过滤器及其相关的引申算法等。尽管如此，如何在这些数据结构算法中，评估和选择一个合适的高效数据结构，来表示存储在数据库等存储系统中的海量数据，是一个值得重视的挑战，也是一个具有实际意义的研究问题。　　针对上述应用需求和问题挑战，本论文的主要工作是:第一，提出海量数据中查存算法的评估和比较需求。第二，提出了对查存算法的统一建模，并在算法建模框架下，给出位图数据结构、标准型布隆过滤器、计数型布隆过滤器、Dynamic布隆过滤器以及D-left布隆过滤器的模型实例。第三，提出对查存算法的评估指标，利用该指标可对不同的查存算法进行选择及评估。此外，还给出上述五种算法的理论评估及实验评估结果。第四，对五种数据结构算法进行对比研究，并在分析中给出在查存算法评估选择上的相关建议。第五，实验结果表明在算法选用上，建议考虑数据量及其全集个数，误差容忍范围以及资源受限情况。