在现代商业社会中,商标已成为企业信誉的象征,是企业的一项重要的无形资产。因此在商标的分类和注册过程中,应该保证同一类型的商标之间具有一定的可区分度。基于文本检索的传统商标图像检索方式是利用文字对图像进行手工标注,而手工标注工作量大且具有很强的主观性。近年来,由于注册商标的数量快速增长,传统方法已经难以胜任海量商标图像的相似性比较。因此,如何高效、准确地从商标库中检索出潜在的相似商标成为基于内容图像检索的一个重要研究方向。基于局部特征点的图像检索是基于内容图像检索领域的一个研究热点,本文利用机器学习方法对基于Sift局部特征的商标图像检索方法进行了相关研究,研究内容主要包括以下几点：(1)针对Sift多量性问题,本文提出了一种基于聚类的简化Sift特征提取方法。该算法在保证不降低查询精度的同时又减少了每幅商标图像的Sift特征点数目,从而降低了特征匹配环节所需的时间,提高了商标图像的检索效率。(2)针对传统的KD-tree特征匹配算法在特征向量高于10维时,算法性能急剧下降,甚至不如遍历法,并且当样本数量过多时,只能找到较近点而不能找到最近点等问题,提出了一种基于PCA技术的KD-tree特征匹配算法,从而获得更好的性能,提高了查询精度。(3)针对基于Sift特征的图像检索方法对于有些形状及其相似,颜色差异较大但违反商标“独特性”的商标图像容易出现漏检问题,本文提出了基于Sift和角点特征的商标图像检索算法。实验结果表明,该算法在一定程度上弥补了Sift特征上述不足,同时又保留了Sift特征对遮挡、旋转、平移和尺度变化等具有较强鲁棒性的特点,与现有方法相比,具有更高的查询精度。(4)针对本文提出的特征提取与匹配算法,以VC6.0为软件开发平台,开发一个基于局部特征点的商标图像检索系统。