他们实际上是完全不同的。它们用于类似的目的（对空间数据进行区域查询），它们都是树，但这就是它们的共同点。
- R-Trees 平衡，kd-trees不是（除非批量加载）。这就是R树更改数据的首选原因，因为可能需要重建kd树以重新优化。
- R-Trees 面向磁盘。它们实际上在直接映射到磁盘表示的区域中组织数据。这使它们在真实数据库和内存不足操作中更有用。 kd-trees是面向内存的，并且放入磁盘页面并不重要
- R-Trees不覆盖整个数据空间。可以揭开空白区域。 kd-trees总是覆盖整个空间。
- kd-trees 二进制拆分数据空间，r-trees将数据划分为矩形。二进制分裂显然是不相交的;而r树的矩形可能重叠（实际上有时是好的，尽管有人试图最小化重叠）
- kd-tree在内存中更容易实现，这实际上是他们的主要好处
- R-trees可以存储矩形和多边形，kd-tree只存储点向量（多边形需要重叠）
- R-tree有各种优化策略，不同的分割，批量加载，插入和重新插入策略等。
R-trees和kd-trees基于类似的想法（基于轴对齐区域的空间分区），但主要区别在于：
- k d-trees中的节点表示分离平面，而R-tree中的节点表示边界框。
- k d-trees将整个空间划分为区域，而R-tree仅划分包含感兴趣点的空间子集。
- k d-trees表示不相交的分区（点只属于一个区域），而R树中的区域可能重叠。
（分区空间有很多类似的树结构：四叉树，BSP树，R *树等等。）
this answer中未提及的两者之间的主要区别在于KD树仅在批量加载情况下有效。一旦构建，修改或重新平衡KD树是非常重要的。 R树不会受此影响。