En este estudio, proponemos tres técnicas de optimización de vecinos más cercanos (k-NN) para un método de indexación distribuido en memoria de alta dimensionalidad para acelerar la recuperación de imágenes basada en contenido. Las técnicas propuestas realizan la optimización de consultas k-NN basadas en indexación distribuida en memoria de alta dimensionalidad: una técnica de optimización basada en densidad que realiza la optimización de k-NN utilizando la distribución de datos; una técnica de optimización basada en costos que utiliza estadísticas de costos de procesamiento de consultas; y una técnica de optimización basada en aprendizaje que utiliza un modelo de aprendizaje profundo, basado en registros de consultas. Las técnicas propuestas se implementaron en Spark, que admite un modelo maestro/esclavo para el procesamiento distribuido a gran escala. Mostramos la superioridad y validez de las técnicas propuestas a través de diversas evaluaciones de rendimiento, basadas en datos de alta dimensionalidad.