云计算技术的兴起和快速发展，使用户可以将海量图像数据存储到云服务器。这样不但可以减轻用户的存储和管理负担，而且能为用户提供便捷的数据访问服务。但云服务器并不是完全可信的，可能会造成用户的隐私泄露。因此如何保证图像内容安全成了云计算技术发展首要解决的问题。　　为了保护图像的安全，用户应首先加密图像数据，然后再外包到云服务器。但当图像的数量达到一定规模时，就会产生两方面问题:第一，用户提取特征时间变长。第二，当查询用户发送查询请求时，由于数据的规模，从检索到返回结果要花费太多时间，因此，云环境下的特征提取和高效检索是迫切需要解决的问题。　　现有的加密检索方案，大都是基于加密文本的检索。因此本文提出基于局部敏感哈希的加密图像检索方案。本文主要贡献如下:　　1)提出一种基于自适应阈值Harris特征点选择的算法。该算法针对传统Harris角点检测效率低、非极大值引起的伪角点多等问题。首先，采用自适应方式抑制非极大值的方法对角点进行预筛选。其次，采用Forstner算法对角点进行二次筛选。接着，采用归一化互相关匹配算法对检测的Harris角点进行粗匹配。最后，采用随机抽样一致算法对图像进行精确匹配。实验结果表明改进的方法不仅缩短角点检测和图像匹配时间，而且能有效提高图像的匹配精度。　　2)提出基于局部敏感哈希算法的加密图像检索方案。该方案针对云环境下海量图像的特征提取时间多，以及检索效率低效的问题，首先，采用改进的Harris算法提取图像特征。接着，结合SURF与词袋模型生成图像的特征向量，然后，采用局部敏感哈希算法对特征向量构建可搜索索引，并用混沌加密算法对图像以及索引进行加密。最后，在云服务器上进行安全的相似性检索。实验结果表明，通过优化局部敏感哈希算法的参数与现有加密检索方案对比，本文的检索方案不仅缩短了特征提取时间，而且有效提高了检索效率。