随着科技与时代发展,图像数据呈指数级增长,检索数据库中的图片需要耗费大量的时间。图像检索技术大致可以分为两类:基于整体图像的图像检索和基于显著区域的图像检索。基于整体图像的图像检索需要提取整幅图像的所有特征,往往包含大量的背景噪声,而基于显著区域的图像检索算法由于考虑了图像的语义信息,比基于整体图像的图像检索效果更好。哈希方法将图像数据转换为二进制码,在减少图像数据存储空间的同时提高了检索速度,越来越多地应用到科学研究中。基于以上特点,本文提出了基于显著性检测和哈希的图像检索算法。本文的主要工作如下:第一,提出了构建多图融合多特征的显著性检测方法。传统的基于流形的显著性检测算法,通常构建单图描述图像不同区域之间的关系。但自然场景图各区域之间的结构往往比较复杂,仅使用一个图可能会忽略图像的重要信息。本文提出构造多个图来描述不同特征空间的图像信息。具体地说,分别基于空间位置和颜色特征构造了两个图:一个是基于空间位置的K正则图,另一个是基于颜色特征的ε图。第二,提出引入稀有度项的显著性优化框架。传统的基于流形的显著性检测框架是利用光滑性约束条件中连通节点之间的信息以及查询点的信息构建的。在这个框架中,不包括视觉显著性的视觉认知特征。因此,该框架应用于突出目标检测时,性能受到了限制。本文算法将重点放在基于图的优化问题本身,并引入了一个新的基于图的优化框架来克服上述限制。第三,提出了一种基于强约束流形哈希（SCDMH）的图像检索算法。在目标函数中加入了原始特征和哈希矩阵之间的相互重构项,最小化重构损失从而减少哈希学习过程中的信息损失;同时,本文首次将流形直接嵌入到监督离散哈希中,在汉明空间中直接学习和保留流形结构。第四,将改进的显著性检测方法和哈希算法相结合,设计并实现了相应的图像检索系统。本文从三个方面进行了实验验证。关于显著性检测实验,本文在三个公开显著性数据集上进行了实验,在PR曲线、F值和AUC等指标上都表现出了较好的性能。关于强约束流形哈希,本文在Cifar10数据集、Caltech-256数据集和MNIST数据集上与五种无监督、四种监督哈希方法进行了比较,在各个指标上都表现出了较好的检索性能。最后本文将两种改进算法相结合加以验证,并在开发实现的检索系统上成功实现了准确率较高的图像检索。