随着互联网技术和成像的不断发展，图像的数量在急速增加，一个亟待改善的问题就是，对于如此海量的图像数据，如何进行有效的图像检索显得至关重要。而随着图像处理技术和索引技术的不断发展，人们也提出了很多对于这些问题的解决方法。基于内容的图像搜索技术的产生在一定程度上解决了在海量图像中检索出目标图像的需求。　　本文首先总结和回顾了当前基于内容的图像搜索的研究成果，分析了现有图像搜索系统的特点，重点分析了图像检索技术中的特征提取算法和索引技术。为了更好的对图像进行特征提取，保证特征提取的准确性和完整性，本文提出了基于分数阶高斯微分的边缘检测算法作为图像全局特征的一种分量，用于更好的引导图像检索的结果，该算法不仅能正确的反应图像的全局特征信息，而且对要求更准确的图像搜索，能够比较好的保证搜索结果全局外观的相似性。　　然后针对图像搜索研究中，特征提取的高维度和特征字典不够完善，在传统的图像稀疏表示的研究中，稀疏编码的对象是图像的原始的像素级数据，通常在自然图像中按一定的特征定位算法，选取部分图像块作为能表示这幅图像的自然特征，把选取的自然特征作为字典生成算法的输入，获取特征字典的基向量，再通过稀疏分解获取图像的稀疏表示。但是采用自然图像的原始像素级数据进行特征学习会给训练过程带来不少问题，对于存在背景或者噪声的图像，字典学习的结果会受影响，同时，字典学习的训练结果也会受图像缩放、方向、观察者视角、亮度等因素的影响，并且对于目标被遮挡或者不完整的情况，字典学习的结果存在很大的不稳定性。对此本文提出了基于局部特征的面向图像搜索的稀疏算法，并通过实验证明算法的有效性。