随着互联网的日益发展，对海量图片进行高速有效的处理已经成为一个重要的课题。互联空间、微博、社区网站等各种网络服务都需要海量图片存储与处理技术的支持。本论文将围绕海量图片的高速有效处理而展开研究，主要涉及海量图片的裁剪、压缩，及检索技术。目前网络终端设备花样繁多，个人电脑、手机、平板电脑等等。各自的屏幕质量以及分辨率相差巨大。如何把海量的图片修改到足以适合所有终端设备显示便成了一个艰巨的任务。我们试图开发一种基于图片像素点能量值评价的方法，在裁剪图片时首先去除图片中不重要的部分，保留其中的关键物体。为此，本文提出了智能细缝簇裁剪技术。该算法是一种对图片内容敏感的裁剪方法，通过在原始图像中搜寻出一些能量值较低的“细缝簇”，并将其删去（或扩展），达到改变图像尺寸的目的。在海量图片数据的处理中，存储和传输成为一个重大的技术瓶颈，如果能够有效的对这些图片进行压缩处理，将会大大减少相应的传输和维护成本。然而如何在保持人眼“视觉无损”的前提下，有效地控制压缩的程度成为一个关键的问题。本文图片压缩研究的中心问题，就是试图用一种公理化的图片质量评价手段来估算出肉眼区别图片质量的那个“阈值”，体现人眼视觉无损的界限。压缩过程中选取的压缩质量越接近肉眼的阈值质量，压缩效果越能被人眼接受，也越能够降低图片的存储与传输成本。在此前提下，本文提出了自适应视觉无损压缩算法。该算法使用客观图片质量评价算法作为人眼视觉无损的判定依据，并使用一个高效率的迭代算法迅速找出即保证视觉无损又使得图片文件尺寸最小的压缩质量。如同海量文本信息的检索，海量图片的检索也是一大难题。传统的文本搜索通过对文献集的字典库建立倒排索引从而加快查询的效率，但是在图片中缺乏类似的“字典库”概念。相对于传统的基于文本标签的检索，基于图像内容的检索更有实际应用的价值。然而这增加了检索的难度。因此有必要引入一种高效的海量图片检索方法，针对大数据集进行基于内容的检索。本文中我们试图在图片中寻找类似的“字典”信息，并运用从图片数据库中提取出来的“字典”建立倒排索引，以便在查询时可以快速找出相似的图片。在排序结果优化方面，本文提出了基于全局结构映射的图像匹配算法能够实现快速而准确的图像匹配，并优化通过索引检索出的图片结果。该算法通过在两张图片之间建立结构上的映射关系，从而的将图片中的特征点进行一一对应，实现了图片高效而准确的匹配。实验结果表明本文的算法可有效节省存储和传输带宽，具有广泛的应用前景。