随着多媒体技术的发展,网络中产生了大量的图像,从而使得图像信息的获取变得尤为重要,如何精确快捷地从海量图像中获取到自己所需的内容,这就涉及到图像的分类与检索问题。一直以来,传统的图像检索方法都是基于文本的检索。然而,随着图像数量不断增多,基于文本的检索方法已经不能满足人们的信息检索需求。基于内容的图像检索技术通过系统对图像进行特征描述,并提取图像的视觉特征来实现图像检索,克服了传统的基于文本检索中通过人工标注图像带来的片面性、主观性等缺点。近年来基于内容的图像检索技术受到广泛的关注,已成为该领域的一个热门研究课题。首先,本文梳理了基于内容的图像检索技术的发展及研究成果,研究了图像检索的相关技术以及图像检索中常用的PCA算法和BP神经网络算法。本文通过融合具有颜色表达直观、计算简单的HSV颜色直方图和具有对图像的旋转、尺度缩放和亮度变化较强鲁棒性的SIFT特征给出了一种融合算法,并针对HSV颜色直方图无法表达颜色空间分布信息和SIFT特征匹配方法准确性不足的问题,提出了一种改进的融合算法。采用对图像进行重叠分块的方法,突出图像中心的视觉内容,并改进了 SIFT特征度量算法。然后将这两种改进算法结合实现图像检索,最后通过实验验证了该算法的有效性。其次,针对SIFT算法存在复杂度高、匹配时间长等缺陷,本文采用基于PCA的SIFT特征提取降维算法,运用PCA算法对提取出的SIFT特征进行降维处理,从而达到降低算法复杂度,提高匹配效率的目的。在后续的图像检索中,本文采用了 BP神经网络作为图像分类器,设计了基于SIFT降维和BP神经网络的图像检索流程。通过统计分析检索结果及与其他文献对比发现,本文提出的检索算法较好地解决了缩放、旋转等因素对图像的影响,对自然图像具有更好的适应性。