随着多媒体技术、网络技术的迅速发展，图像信息的应用日益广泛，对规模越来越大的图像数据库中的可视信息进行有效管理成为迫切需要解决的问题，基于内容的图像检索是解决这一问题的关键技术之一。 图像特征的提取与表达是基于内容的图像检索技术的基础。一般来说，图像特征的表示均是高维向量，故在进行图像特征的提取与表达时，即使对于低分辨率的图像也常常会产生非常高维的数据。对于大型的图像数据库，高维向量的存储以及高维空间中距离的计算，其空间复杂度和运算复杂度非常高。 针对常用的高维特征向量的降维方法，本文提出了以下改进：一、针对主成分分析法(PrincipalComponentAnalysis，PCA)在处理非线性降维问题上的不足，以及核主成分分析(KernelPCA，KPCA)方法在处理降维问题上计算速度方面的缺陷，提出了基于聚类的核主成分分析方法。试验结果显示：基于聚类的核主成分分析方法具有良好的特征提取性能，相比核主成分分析方法大大提高了特征提取的速度。 二、针对局部线性嵌入(Locallylinearembedding，LLE)方法在计算速度和近邻点个数K的选取上的不足问题，研究了该方法的扩展，提出了基于聚类和改进距离的LLE方法。基于聚类LLE方法大大缩减了计算LLE方法的时间；改进距离的LLE方法在近邻点个数取值比较小时的情况下，也可得到良好的效果，而原始的LLE方法要达到相同的效果，近邻点个数K的取值通常要大很多。同时，改进距离的LLE方法可以模糊近邻点个数的选取。试验结果显示：基于聚类和改进距离相结合的LLE方法相比原来的LLE方法大大提高了降维速度和扩大了参数K的选取。 三、图像特征提取的一般方法是把数字图像转化为向量，图像数据集变为向量集，根据向量的距离的远近确定图像属于哪一类。在数字图像转换为向量的过程中，没有考虑图像像素之间的位置关系，这样就会导致图像特征信息的损失。针对这种情况，本文提出了用小矩阵覆盖的方法，对图像的每一个像素都用小矩阵覆盖，然后把各个小矩阵看成数值组成向量(实际上是矩阵)，然后针对小矩阵向量进行降维。LLE方法可以解决把一幅数字图像直接转换为向量的问题，而对小矩阵向量组成的矩阵没有办法解决，对此，本篇文章在基于图像直接转换为向量的LLE的基础上提出了一种新的维数缩减方法，即小矩阵向量的LLE维数缩减方法(SmallMatrixVectorLocallyLinearEmbedding，SMVLLE)。对手写数字图像和纹理图像的试验显示：基于小矩阵覆盖的SMVLLE方法比直接转换为向量的LLE方法效果好。