传统的基于内容图像检索往往是提取图像的底层视觉纹理、颜色和形状等特征,然后利用特征距离评价并排序输出结果,然而,这种方法往往达不到人们的要求,存在人类与机器理解差异的语义鸿沟问题,这也是图像检索技术研究的难点。为了研究此类问题,本文在尝试改进课题组局部不变特征点和视觉注意模型的情况下,探索了有监督SVM机器学习方法和无监督PLSA概率潜在语义分析模型,同时开发完善出一套检索测试系统。本文的主要研究工作如下:　　 (1)基于显著图的加权前背景分离检索方法。提出基于显著图下,将图像的显著和非显著区域分离,并分别统计纹理和颜色特征,再通过前背景加权以及特征间加权的方式融合进行检索。在统计过程中主要利用了LBP纹理特征和HSV-72维颜色特征,并将结果与传统的方法进行实验比较分析。　　 (2)基于SVM分类模型的图像检索研究。本文为了建立底层特征与高层语义间的联系,在传统的图像检索流程中,加入机器学习分类层面。本文主要构建并融合了颜色分类SVM模型和纹理分类SVM模型。其中SVM模型中选用HOG(Histogramof Oriented Gradient)局部不变描述子,颜色特征的选择是分块三阶颜色矩,并将融合后的模型指导于图像检索,平均分类准确率达到85％,与传统的方法比较结果显示大多数情况下不仅仅检索效果更优而且检索的结果更加符合人类的语义理解。　　 (3)基于概率潜在语义模型的图像检索研究。为了在图像检索中引入机器的语义理解,本文研究了概率潜在语义分析模型,让机器自动学习并进行语义分类。概率潜在语义模型中关键的一个步骤是将图像特征模拟成文本单词,主要是将特征提取并聚类特征成为视觉单词,并统计每个图像中包含的每一种视觉单词的个数形成词频表,最后让PLSA模型自动学习训练库中的视觉单词词频表,并按照要求的语义得到每个图像在语义上的概率分布。　　 同时,使用C++,SQL Server2000,Visual Studio2010,Opencv2.3.1开发完善出本文的测试检索系统,并提供传统的一些算法进行对比实验。