基于内容图像搜索的一个核心问题是如何正确理解用户的查询意图，并正确地建立查询图像和数据库中图像的相关关系。由于图像视觉显著性区域和用户的视觉关注有很强的关联关系，将视觉显著性引入到图像搜索有可能提升搜索准确性。然而，已有的图像搜索模型大多直接利用现有的显著性模型提取图像显著区域，进而依据显著性强度来加权图像间的相关关系。然而，由于当前显著模型预测性能参差不齐，我们很难准确评估真实显著性在图像搜索中的作用。另外，当前显著性模型没有针对图像搜索任务进行优化，性能提升有限。为此，本文针对这些问题，开展针对性研究，主要研究内容如下:　　(1)建立面向图像搜索的真实显著性标注数据集。为了验证真实显著性在图像搜索中的作用，本文首次利用眼动仪标注了一个面向图像搜索的显著性评测数据库。另外，基于此数据库，我们设计了四种显著性嵌入方法，来验证显著性在图像搜索任务中的作用。　　(2)显著性嵌入图像检索系统的方法。本文探索了四种将人眼视觉显著性信息引入到词包模型的方法，包括显著性过滤;显著性强度嵌入;显著性表示嵌入;显著性表示重排序;以及四种方法的结合方式。通过阈值选择方法选取最优阈值，通过人眼视觉显著性实验验证了人眼视觉显著性信息对图像检索任务的作用，最终将词包模型的检索结果提高10个百分点，将含有汉明嵌入码的词包模型的检索结果提高3个百分点。　　(3)基于模型集成的图像搜索增强算法。该算法的主要思想是通过集成各种显著模型，实现所有模型的优势互补，以便于更好地增强图像搜索的准确性。在本算法中，我们集成了9个经典的显著性预测模型，深刻分析了显著模型在图像搜索中发挥作用的本质，并通过RCM+CAF方法验证了显著模型的稳定性和相似图像预测的一致性对图像搜索的重要性。实验结果显示，该算法实现了显著模型的优势互补，显著增强了图像搜索准确度，检索精度优于单个显著性模型嵌入的图像搜索算法。