随着图像采集技术、传感技术、互联网技术的迅速发展,现实生活中数字图像的数量呈现爆炸式的增长。面临数量巨大、内容丰富的图像数据库,如何从中准确、快速地检索到用户感兴趣的图像,已变得日益重要。粒计算是近些年发展起来的一种从多层次、多视角解决复杂问题的理论、技术和工具,已经被广泛应用于数据挖掘、不确定性信息处理、图像处理等领域。针对基于内容的图像检索问题,本文通过分析现有检索方法的缺点和不足,将粒计算的思想与方法引入到图像检索的过程中,从图像检索问题中的特征表示、特征索引两个方面研究了基于粒计算的图像检索方法。本文的主要研究内容如下:(1)针对已有的特征索引方法多是基于图像低层特征,与人类对图像内容的理解之间存在“语义鸿沟”,提出了一种基于多粒度划分的图像检索方法。该方法首先根据图像的语义特征建立图像信息表,通过多粒度规则获取算法提取规则集,按照规则集对应的知识粒划分图像库,建立语义特征索引;其次,提出了一种基于内涵重要度的相似性度量公式衡量图像之间的相似度;然后通过规则匹配获取与查询图像最相似的图像粒集作为候选集合,再对候选集合中的图像与查询图像进行相似度计算,避免了从整个图像数据库中查询相似图像;最后通过在Corel数据库上的实验证明,该方法能够在保证检索精度的同时提高检索效率。(2)基于词袋模型的图像检索方法中,常用的特征池化方法容易丢失特征的多样性,针对该问题,将云模型引入到基于词袋模型的图像检索过程中,提出了一种基于云模型的特征池化方法,获得了更具分辨力的图像特征表示,在此基础上提出了一种保留BoW特征多样性的图像检索方法。该方法首先提取图像的SIFT特征,并构建视觉单词码本(视觉字典);其次对于每幅图像,将该图像中所有的SIFT特征映射到对应的视觉单词上;然后使用基于云模型的特征池化方法生成保留大量信息的特征向量,再进行相似度计算;最后通过在Corel和Holidays数据库上的实验,表明该方法能够获得更具分辨力的图像特征表达。