在计算机科学里，-d树（ k-维树的缩写）是在维欧几里德空间组织点的数据结构。-d树可以使用在多种应用场合，如多维键值搜索（例：范围搜寻及最邻近搜索）。-d树是空间二分树（Binary space partitioning）的一种特殊情况。
-d树是每个叶子节点都为k维点的二叉树。所有非叶子节点可以视作用一个超平面把空间分割成两个半空间。节点左边的子树代表在超平面左边的点，节点右边的子树代表在超平面右边的点。选择超平面的方法如下：每个节点都与k维中垂直于超平面的那一维有关。因此，如果选择按照x轴划分，所有x值小于指定值的节点都会出现在左子树，所有x值大于指定值的节点都会出现在右子树。这样，超平面可以用该x值来确定，其法线为x轴的单位向量。
有很多种方法可以选择轴垂直分割面（ axis-aligned splitting planes ），所以有很多种创建-d树的方法。最典型的方法如下：
这个方法产生一个平衡的-d树。每个叶节点的高度都十分接近。然而，平衡的树不一定对每个应用都是最佳的。
function kdtree ( pointList, depth){ var axis := depth mod k; select median by axis from pointList; var node; node.location := median; node.leftChild := kdtree(points in pointList before median, depth+1); node.rightChild := kdtree(points in pointList after median, depth+1); return node;}插入元素
移除元素
平衡
在动态插入删除点且不允许预处理插入操作的情况下，一种平衡的方法是使用类似替罪羊树的方法重构整棵树。
最邻近搜索用来找出在树中与输入点最接近的点。
k-d树最邻近搜索的过程如下：
维数灾难让大部分的搜索算法在高纬情况下都显得花哨且不实用。 同样的，在高维空间中，k-d树也不能做很高效的最邻近搜索。一般的准则是：在k维情况下，数据点数目N应当远远大于时，k-d树的最邻近搜索才可以很好的发挥其作用。不然的话，大部分的点都会被查询，最终算法效率也不会比全体查询一遍要好到哪里去。另外，如果只是需要一个足够快，且不必最优的结果，那么可以考虑使用近似邻近查询的方法。
时，k-d树的最邻近搜索才可以很好的发挥其作用。不然的话，大部分的点都会被查询，最终算法效率也不会比全体查询一遍要好到哪里去。另外，如果只是需要一个足够快，且不必最优的结果，那么可以考虑使用近似邻近查询的方法。