从现有的图像描述和大规模近似图像搜索方法主要是基于全局特征和基于局部特征两大类。由于局部特征能够更好的展现和利用局部图像的图案和纹理，流行的BoW和词汇树方法在找寻近似图像或区域上很有优势，但是也存在着存储所需的代价较大，且匹配算法计算复杂度较高的问题。而图像的全局特征在表示图像上具有简洁、所需存储空间小的优点，因而也被多数现有的近似图像搜索系统所采用，但是又对图像视点平移、尺度变化以及局部遮挡、修改等变化特别敏感，对局部物体的描述能力较弱。显然可以看出，两类方法都各有所长，又有互补的特点。对于这两个方面单独的研究很多，然而专注于融合局部特征和全局特征的文献并不多，有也是在特征和排序上着手的。本文的创新成果如下:　　首先我们提出了一个新的应用二进制“指纹”(Fingerprint)来定义视觉单词和索引特征的方法。Fingerprint是一个32位的向量，是通过128维的sift局部特征来提取的，经过编码，转化为一个二进制数，然后通过直方图相交的方法来衡量两幅图的相似度。由于Fingerprint的构建是一个低复杂度的过程，这个方法效率很高，对于大规模数据集也有很好的可扩展性。另外，在词汇量足够大，保持较高的效率下Fingerprint定义的视觉单词比聚类得到的视觉单词更具有辨别力和准确性。　　然后提出了一个基于图的查询特征融合的大规模近似图像搜索模型。每次搜索，我们把用一个搜索方法得到的数据集转化为无向图，搜索的质量和相关性是通过两个近似图像的Jaccard相似参数来对图的边进行加权。然后把不同方法得到的图进行融合，经过PageRank算法或查找对于搜索图像权重密度最大的子图来对搜索的结果进行再排序。我们提出的这个方法可以在无监督的条件下，自适应的融合基于局部特征和基于全局特征方法的优势。　　综上所述，本文提出一个基于局部SIFT特征的快速搜索模型，并针对全局特征和局部特征的互补性，提出了一个融合的机制。这些方案主要是应用于大规模近似图像搜索的问题上，并通过实验验证了它们的合理性和有效性。