当前，图像作为一种重要的可视化信息媒体，已被应用到几乎所有的科学技术领域和日常生活的各个方面。随着图像信息的快速增长，从海量的图像资源中快速高效地提取有价值的信息已成为人们的迫切需求。传统的基于文本的图像检索技术(TBIR)存在诸多局限。20世纪90年代，基于内容的图像检索(CBIR)技术应运而生，从可视化角度开辟了一条更为直观、准确的途径，很快成为智能信息处理领域的研究热点。 CBIR技术的关键在于两点：一是选取恰当的图像特征并找到有效的特征提取方法，二是采取准确可靠的相似性匹配算法。本文正是围绕这两点，主要研究了一种独特、稳定的图像局部不变特征--SIFT特征的提取算法，以及对这种高维特征进行快速索引和可靠相似性匹配的技术，并将它们应用于CBIR系统。 图像特征提取方面，本文所选用的SIFT特征不同于目前在CBIR系统中通常使用的颜色、形状、纹理等全局特征或基于图像分割技术的局部统计特征，它能直接描述图像的局部信息，且具有较强区分度和稳定性。 CBIR中的相似性匹配技术包括两个层次，即“特征级匹配”和“图像级匹配”。在“特征级匹配”阶段，为了克服由128维的SIFT特征描述子带来的“维度灾难”问题，本文采用了一种近似邻近搜索(ANN)算法--结合K-D树和BBF算法--来完成SIFT特征的高维索引和快速匹配。在“图像级匹配”阶段，本文提出了一种改进的加权投票机制--近邻特征距离比计分机制(NNDRS)，实现对已经找到的每个近邻特征所属库图像进行投票计分，并利用库图像的总得分排序来决定检索结果。 为了增强匹配的可靠性，本文采用RANSAC算法作为一种几何一致性验证(单应约束)手段，用于仔细检查初步的检索结果，消除其中的无关图像，从而提高系统的查准率。 本文实现了一个基于SIFT特征的CBIR实验系统，并在ZuBud图像数据库上进行图像检索实验。结果表明，本文提出的方法获得了较高的查全率和查准率(84％以上)，适合于从图像数据库中搜索大致相同的目标或场景的CBIR应用。