随着当前社会上数字图像的广泛使用,图像检索技术开始得到越来越多的研究。当前各种图像检索技术都存在不同的问题,大部分技术都是基于文本检索方法而来的。传统的图像检索方法要么在对目标图像匹配技术过程中,存在抗干扰能力差,匹配程度不高的问题,要么在图像匹配的效率上存在一些问题,都不能完全满足用户的需求。借鉴当前一些主流的图像检索所采用的方法,在此基础上提出了一种有效可行的图像检索方法,并结合以前的方法,指出了该方法的优点。在该方法的理论指导下,可以仅选择图像的一块区域作为检索的目标对象,而不必是整个图像,将检索对象提交给系统后,系统将从图像数据库中检索出包含有相同或者类似的目标对象的图像,然后根据相似度大小返回检索的结果。该方法是基于内容的,在图像特征的抽取过程中,采用SIFT特征提取法,将图像的高维特征抽取出来,进行向量量化,形成视觉词表,以便建立索引。其原理是通过将相似的图像区域聚类为同一个簇,可以有效的减小各种图像噪声对检索效果的影响,从而提高系统检索的鲁棒性和准确性。传统的K均值聚类算法在对图像特征进行向量量化过程中,存在效率低,量化不充分等问题。分析了K均值聚类算法的不足,并提出了一种较为灵活的软聚类方法。在达到快速聚类的同时,还提高了图像检索的效率与准确率,使得此方法更适应于海量图像数据的分析与检索。为了解决文本检索方法中向量空间模型忽略了空间约束信息的不足,利用图像特征点的空间约束关系对检索结果进行再排序,而且还可以根据查询的初始结果扩展,进行二次查询,进一步提高了检索的准确率。实验表明,采用的方法具有检索准确率高,响应时间短等特点,是一种较好的图像检索方法。