伴随多媒体技术的迅速普及,图像数据也取得了爆发式的增长,使得图像检索技术成为了计算机视觉领域的一项重要的分支。图像检索相关技术的研究经历基于文本、内容和语义检索的三个阶段,现阶段主要是基于图像语义的检索研究,其在基于内容检索的基础上融入了机器学习,人工智能,模式识别、数据挖掘等领域知识,来提升图像检索的能力。然而,当前图像检索的精准度仍有待进一步提高,因此本文通过将聚类分析和相关反馈技术等方法的融入来减少基于内容图像检索中未能考虑到的实际语义信息所带来的检索结果与用户实际对图像理解的差异,并对图像库构建索引结构,最终可以减少查询的时间,提升图像检索的精度。本文针对面向聚类索引构建的图像检索方法进行研究,主要的工作如下:一、对于现有的图像底层视觉特征,往往只是对图中某一方面特性的描述,特征也仅仅是对图像表面的某种规律的反映,不含实际语义信息,因而会造成图像信息大量的损失。为此,本文对传统Hu不变矩和局部颜色特征做出了一些改进,提高特征的表达能力,融入了一些语义信息,使其更有针对性。二,基于聚类分析的分层索引的构建,将图像库中提取到的形状和视觉特征借助聚类分析进行组织,两种特征形成分层的索引结构,形状特征用于粒度较大的查询,而颜色特征则用于进一步的详细检索上,可以提高特征查询的准确度和多样性。三、基于用户反馈的分类处理的研究,针对用户对图像检索的反馈,通过使用机器学习中SVM算法对用户反馈的结果进行训练学习,完成人机交互并缩小图像底层特征与高级语义之间的距离,使图像检索的结果更加贴近用户的兴趣点,更加准确。