La recuperación de imágenes o la recuperación de imágenes basada en contenido (CBIR) se puede transformar en el cálculo de la distancia entre vectores de características de imágenes. Cuanto más cerca estén los vectores, mayor será la similitud de las imágenes. En el sistema de recuperación de imágenes para conjuntos de datos a gran escala, la búsqueda de vecino más cercano aproximado (ANN) puede obtener rápidamente las k imágenes más cercanas a la imagen de consulta, que es el problema Top-k en el campo de la recuperación de información. Con los algoritmos ANN tradicionales, como KD-Tree, R-Tree y M-Tree, cuando la dimensión del vector de características de la imagen aumenta, el tiempo de cálculo aumentará exponencialmente debido a la maldición de la dimensionalidad. Para reducir el tiempo de cálculo y mejorar la eficiencia de la recuperación de imágenes, proponemos un algoritmo de búsqueda ANN basado en la Tabla de Cuantización de Producto (PQTable). Después de cuantizar y comprimir los vectores de características de la imagen mediante el algoritmo de cuantización de producto, podemos construir la estructura de índice de imagen de la PQTable, lo que acelera la recuperación de imágenes. También proponemos una estrategia de consulta multi-PQTable para la búsqueda ANN. Además, generamos varios vectores de vecino más cercano para cada sub-vector comprimido del vector de consulta para reducir la tasa de fallos y mejorar la recuperación en la recuperación de imágenes. A través de análisis teóricos y verificación experimental, se demuestra que la estrategia de consulta multi-PQTable y la generación de varios vectores de vecino más cercano son altamente correctas y eficientes.