对于图像异常检测问题，查询测试样本在正常样本集中的K近邻距离并估计其异常程度，是一类准确率较高、对复杂分布的效果较稳定的方法。此类方法采用近似最近邻搜索（Approximate Nearest Neighbour Search, ANNS）索引进行K近邻搜索。但由于ANNS查询操作较高的计算开销和现实问题中庞大的数据量，此类方法的计算效率难以应对低时延、高吞吐量的应用场景。该文基于局部敏感哈希和布隆过滤器，提出了一种近似存在性查询（Approximate Membership Query,AMQ）方法，用特征近似存在性预测异常样本。相比于ANNS,AMQ具有更低的计算复杂度且更适合单指令多数据并行，可以有效解决基于特征库检索方法的计算性能瓶颈。在MVTec-AD数据集上的实验结果显示，基于AMQ的方法的异常分割准确率仅比ANNS方法降低1%左右，但推理时延、吞吐量和内存开销显著较优，接近端到端深度学习异常检测模型的计算效率。