随着信息技术的发展,数字图像的数量飞速增长,如何在海量的存储图像中检索出目标图像具有重要的研究意义和广泛的应用价值。尤其是对实时获取的畸变图像(如旋转、噪声干扰、运动模糊等)的检测更具有重要的现实意义。但是,如何在大规模数据库中实现快速准确的检索,仍是目前图像检索领域亟待解决的“瓶颈”问题。独立分量分析算法(Independent ComponentAnalysis,ICA)是一种新的数据处理方法,它能够从多维统计数据中找到其内在的成分,在图像处理领域中有着广泛的应用。本学位论文将ICA算法用于图像检索,提出了一种针对运动模糊图像的检索方法。首先,本文针对基于负熵的ICA算法分离图像效果不理想,而基于峭度的ICA算法不稳定的问题,结合两种算法提出了改进的ICA算法。该算法先采用负熵作为目标函数对图像进行分离,再将得到的分离矩阵作为初值,使用基于峭度的ICA算法进行迭代,得到最终的分离矩阵。其次,提出了一种基于方向场及模糊隶属度的图像分割方法。该方法先通过方向场确定大致的运动方向,基本定位运动区域。再定义一种度量图像模糊程度的模糊隶属度函数,按照隶属度进一步分割,并使用形态学方法进行处理,得到运动模糊区域。最后,本学位论文结合ICA算法,将分割后的图像作为测试图像进行运动模糊图像的检索。针对图片库中的图像,先用ICA算法构造由相互独立的基向量构成的子空间。再将库中的图像及运动模糊图像分别向该空间投影,获得各自的特征。然后,利用特征向量间的余弦距离作为相似度度量标准,根据最近邻准则进行特征匹配与图像检索。实验结果表明,本文提出的改进的ICA算法与单纯使用一种ICA算法相比,性能指标和稳定性都有明显的提高。另外,利用ICA算法提取出的特征可以准确地检索出运动模糊图像的原图像,且对噪声污染、旋转变换和缺损图像具有良好的鲁棒性。而且,文中提出的分割方法能较为精确地分割出运动模糊区域,以该方法作为图像检索的预处理,有助于提高检索的准确率。