基于内容的图像检索是应用数学、计算机视觉等领域的交叉课题,近年来已经取得了较快的发展,但检索精度和检索效率仍有提升空间。本文在研究现有方法的基础上,所做的工作如下:首先,考虑图像检索中合适的图像描述符可以有效改善图像检索系统的检索性能,本文采用加权串联原图特征和灰度图特征进行图像描述。同时,考虑基于单一特征的图像检索系统泛化性能较弱,本文串联多个CNN网络特征进行图像检索。实验结果表明,加权串联原图特征和灰度图特征的图像描述方法较原图特征的图像描述方法有更好的检索性能,融合多网络深度特征较单一特征有更好的检索性能。其次,考虑特征融合图像检索系统较单一特征图像检索系统计算量增加,检索效率降低,本文提出了一种基于K-means聚类的分层索引结构。用户输入查询图像之后,首先匹配相似类,在相似类中再匹配相似图像。由于同类图像具有较高的相似性,因此返回给用户的相似图像彼此之间也具有较高的相似性,减小了在提高检索效率的同时检索精度的损失。实验结果表明,在损失少量检索精度的情况下,基于本文提出的分层结构对数据集进行预处理,可以有效提高检索效率。最后,考虑在特征融合图像检索系统中,针对不同的查询,区分好的特征和坏的特征可以有效提高检索性能。本文提出了一种自适应加权方法,在每次查询中,单一特征的权重随查询图像动态更新,使得检索系统充分利用了特征的性能,同时,该方法可以在有监督图像检索和无监督图像检索两种情况下使用。实验结果表明,基于本文方法在有监督图像检索中,性能优于相关反馈方法,在无监督图像检索中,性能优于全局平均权重。在 Corel-1k、Holidays、UC Merced Land Use、RSSCN7 四个基准图像检索数据集上对算法进行 了验证。在 Corel-1k、UCMerced Land Use、RSSCN7 上 Top 20的查准率为 0.9709、0.8896、0.9442。在 Holidays 上的 mAP 为 0.8845。