高效地从海量多媒体数据中检索出用户感兴趣的数据，是当下的研究热点。对于图像检索，传统的检索方法主要是通过关键词或者描述来进行检索，实际上是文本检索，其检索准确率不尽如人意。基于内容的图像检索算法在十年前已经开始研究，目前Google等已有应用，但其准确率和速度都需要改进。位置敏感的哈希算法（LocalitySensitive Hashing，LSH）是基于图像内容的检索算法之一，也是较流行的近似最近邻检索算法。LSH是基于图像特征的算法，在处理高维特征数据的情况下，也取得较好的结果。Hadoop云平台是目前比较流行的云平台，它主要由两部分构成。一是分布式文件系统（Hadoop Distributed File System，HDFS），二是并行计算模型MapReduce框架。HDFS通过将数据分布式存储在集群的多个结点上，以此来提供高容量的存储，可以比较好的存储海量数据；MapReduce框架，将任务分割成多个子任务并分配到多个节点上进行计算，通过这样的并行计算模型，来提高计算的效率。本课题主要研究Hadoop平台下的图像检索算法。图像数据集分布式存储在Hadoop平台上，通过建立Hadoop平台上的图像数据集索引文件，实现快速地图像内容检索。本文提出了基于图像全局特征（GIST特征）的LSH图像检索优化算法，即通过相对欧式距离公式、最大相异系数函数和子向量空间上的最大相异系数、创建索引文件以及进行计算精确距离的二次检索对LSH算法进行优化，然后在Hadoop平台上通过MapReduce并行计算框架设计实现该算法。此外，还设计了基于图像尺寸不变特征（Scale-invariant feature transform，SIFT）的LSH算法和基于图像“词袋”模型（BagofWord,BoW）的倒排索引文件算法，并在Hadoop平台上实现这两个算法。本文通过大量实验，分析对比以上三个算法的查准率、查全率和时间性能。实验结果表明，将上述三个检索算法实现在Hadoop平台上可以较快地进行响应并且有较好的检索结果。其中，基于图像SIFT特征的LSH算法查准率最高，查全率最低，同时算法的运行时间最长；基于GIST特征的LSH算法的查准率较高，查全率最高，算法的运行时间最短；基于图像BoW模型的倒排索引算法查准率最低，查全率较高，算法运行时间较短。