60 R树和k d树基于类似的思想（基于轴对齐区域的空间划分），但主要区别在于： k d树中的节点表示分离平面，而R树中的节点表示边界框。 k d树将整个空间划分为多个区域，而R树仅将包含关注点的空间子集划分为多个区域。 k d树表示不相交的分区（点仅属于一个区域），而R树中的区域可能重叠。 （有很多类似的树结构用于划分空间：四叉树，BSP树，R *树等）。 — 加雷斯·里斯 source
106 它们实际上是完全不同的。它们具有类似的用途（对空间数据进行区域查询），并且它们都是树（并且都属于边界体积层次结构索引家族），但这就是它们的共同点。 R树是平衡的，kd树不是平衡的（除非批量加载）。这就是为什么使用R树来更改数据的原因，因为可能需要重建kd树来进行重新优化。 R树是面向磁盘的。他们实际上是在直接映射到磁盘表示形式的区域中组织数据。这使它们在实际数据库和内存不足操作中更加有用。kd树面向内存，可轻松放入磁盘页面 批量加载时，kd树很优雅（为指出这一点而赞叹于SingleNegationElimination），而R树更适合于更改数据（尽管与静态数据一起使用时它们确实受益于批量加载）。 R树无法覆盖整个数据空间。可能会发现空白区域。kd树始终覆盖整个空间。 kd-trees二进制分割数据空间，R-trees将数据分割成矩形。二进制拆分显然是不相交的。一棵R树的矩形可能会重叠（虽然有时会尽量减少重叠，但这实际上有时是好的） kd-tree在内存中更容易实现，这实际上是它们的主要优势 R树可以存储矩形和多边形，kd树仅存储点向量（因为多边形需要重叠） R树具有各种优化策略，不同的拆分，批量加载器，插入和重新插入策略等。 kd树使用到分离超平面的一维距离作为约束；R树使用到边界超矩形的d维最小距离作为边界（它们也可以将最大距离用于某些计数查询，以过滤出真实的正数）。 kd树支持平方的欧几里得距离和Minkowski范数，而Rtree被证明也支持大地距离（用于在地理数据上查找近点）。 — 有QUIT--Anony-Mousse source