目前大多数流行的图像搜索引擎,都利用从图像的上下文中抽取出来的文本信息来建立索引。这种机制下的检索结果往往含有大量的垃圾信息,因为文本上下文与检索关键词匹配,不一定代表图像本身与检索关键词匹配；最关键的是这种机制忽略了图像视觉内容信息本身。针对Google Images图像搜索引擎的检索返回结果,我们提出了一种新的、基于聚类方法的垃圾图片过滤方法。首先,我们对Google Images的检索结果进行图像特征抽取。为了准确得描述图像视觉内容信息,我们采用了三种不同性质的图像特征。同时设计了线性混合内核函数将这些图像特征混合在一起,构建出相似性矩阵。然后,利用K-way Min-MaxCut算法对返回图像进行聚类,与聚类过程相迭代的是线性混合内核的权重系数调整过程,从而各内核系数的设定得以自动完成。聚类完成后,对各个类进行排序。排序的策略是先选出质量最优秀的类,剩余的类再按照其与质量最优类之间的相似性大小进行排序。最后,根据所需的返回图像数目,过滤掉排在末尾的图像类。我们的垃圾图片过滤算法拥有很具竞争力的实验表现。在低召回率的实验中,我们的算法在多数情况下比当前最优秀的过滤算法表现优秀,说明了聚类算法和最优类选择策略的鲁棒性。在多召回率的试验中,我们的算法比Google Images有很好的精度提高表现,说明了类排序算法的有效性。整体来说,我们的算法能切实得对Google Images的检索返回结果过滤垃圾图像。