随着信息技术飞速发展，数码相机和带照相功能的智能手机日益普及，拍照已变得非常便利，博客、微博等新媒体的广泛应用使得互联网上图片数据库规模以惊人的速度增长。如何从海量图片数据中快速、有效的找到所需图片，一直以来是人们研究的热点。基于内容的图像检索技术（Content-Based Image Retrieval，CBIR）被认为是解决这一问题的有效途径而受到了学者们的广泛关注。基于内容的图像检索技术主要利用图像的视觉特征，如图像中对象的颜色、纹理、形状、空间位置等以及这些特征的组合和上下文的语义关系来查询图像。然而，尽管基于内容的图像检索技术研究已达数十年，取得了长足的进展，但仍无法满足用户端的检索要求。其中最难解决的问题是：表示图像内容的底层视觉特征与用户检索时具有的高层语义之间存在差距。同时也是计算机视觉、图像处理和模式识别领域的一个难题。本文针对基于内容的图像检索中的一些关键技术，包括提取图像的底层视觉特征、图像间相似性的度量及检索算法的评价性能技术等，进行了一些探究性的研究，提出了两种关于农产品图像检索的解决方案。提出了一种基于K邻近的多级多特征图像检索方法。在颜色方面，对图像的HSV直方图分块加权提取其颜色特征。在纹理方面，利用局部二值模式（Local Binary Pattern，LBP）算法提取图像的纹理特征。在形状方面，通过Canny算子提取图像形状的边缘特征。将所提取颜色、纹理和形状等特征用基于K邻近（K-Nearest Neighbor，KNN）算法的思想进行逐级相似度判别筛选，最后融合颜色、纹理和形状等特征信息，利用巴氏（Bhattacharyya）距离对相似度大小进行计算，根据相似度的大小来检索图像。实验随机选择Caltech256图像库和中国植物图像库中的部分农产品图像，采用平均查准率对该方法进行评价，实验结果证明该方法检索精度较高。提出了一种融合图像形状和纹理特征的检索方法。形状特征，首先利用大津法（Otsu）获取图像的最佳阈值进行阈值分割得到二值图像，对二值图像利用Canny算子的轮廓提取进行边缘检测，在以上基础上，通过Hu不变矩提取图像的形状特征。纹理特征，利用Uniform LBP算法提取图像的纹理特征。将提取的形状特征和纹理特征归一化，进行加权相似度计算，根据相似度的大小进行图像检索。实验随机选择Caltech256图像库中的部分农产品图像，采用平均查准率对该方法进行检验，实验结果证明该方法具有较高的检索精度。本文提出的上述两种基于内容的农产品图像检索方法，都融合了多种图像的底层特征，克服了单一特征检索的缺陷，弥补了单一特征检索导致的片面情况，提高了图像检索的准确度，具有较好的鲁棒性。