传统的信息检索能够准确地检索出与用户输入关键词相关的信息。但是,用户的意图很难被准确地描述和获取。对于计算机而言,不仅用户的查询意图是模糊的,而且用户输入的查询关键词通常具有二义性。与传统信息检索不同,多样化检索的目的是将相关内容准确地返回给查询用户,同时尽可能全面地覆盖与查询内容相关的主题,以满足广大用户不同的兴趣爱好。也就是说图像多样化检索以图像数据为研究对象,研究如何在多样性和准确性之间取得良好的折衷。本文的主要贡献有两个方面,具体如下:在模型上,我们通过优化目标函数的方式来提高检索结果的多样性。为获得更优质的多样化检索质量,本文以图像数据为基础,综合考虑了用户对整体多样性和类别内部多样性的偏好:即用户不仅喜好整体上能够覆盖丰富主题类别的检索结果同时也偏好同一类别内部冗余度小、差异化大的检索结果。我们将这两种偏好整合到同一个目标函数中,证明了该目标函数具有子模性,并在目标函数上施加了非均匀的划分拟阵约束条件,使得检索结果在能够覆盖广泛的主题类别的同时体现出用户的偏好。同时也证明了使得目标函数的多样性最大化是一个NP-hard问题,最后利用子模函数优化理论求解使多样性最大化的近似解。在算法上,我们提出一个高效率的近似优化算法。首先对类别权重进行调整,其次,在类别簇内通过局部贪心策略求解子模目标函数,能够获得(1-1?0))的近似保证;最后,进一步分析了算法的时间复杂度和空间复杂度。同时,为了更好地提高大规模图像数据检索的效率,我们利局部敏感哈希技术和Spark GraphX分布式计算框架设计分布式并行算法,最后在不同的图像数据集上进行实验,实验从多样性、准确率、加速比、并行效率等多个指标验证了提出方法的有效性。