随着互联网科技和互联网金融如火如荼的发展，人们可以通过各种智能设备方便地上传或下载视频、图像等信息分享生活点滴，一瞬间产生的图像数据量无疑是相当巨大的，如何利用已知图像来快速搜索相似图像，继而获得有用信息一直是基于内容的图像检索(Content Based Image Retrieval，CBIR)技术的一个重要课题。　　尺度不变特征变换(Scale Invariant Features Transform，SIFT)是优秀的图像局部梯度分布描述子，具有独特性、不变性、多样性，被广泛应用于计算机视觉和图像处理任务上，如目标识别、图像拼接、3D建模、手势和步态识别、机器人导航、摄像跟踪和影片匹配等。但是，SIFT特征描述子维度高，检索成本也随之增加;SIFT描述的是灰度空间内的局部梯度特征，忽略了图像的颜色分布信息，那些局部梯度相似而颜色信息不同的错误匹配降低了检索精度。为了解决这两个问题，本文通过剖析SIFT特征描述子，在保留SIFT特征可鉴别性的前提下，利用K均值聚类机制改进SIFT特征描述子形成降维的SIFT描述子-KSIFT，并借助实验过程和结果分析验证了KSIFT特征描述子的匹配时间减少，进而缩短图像检索时间的优势;为了弥补KSIFT特征描述子缺少颜色信息的缺点，对颜色量化中位切分法的切分方式和颜色体颜色值计算方法加以改进，在局部特征里加入人类对图像宏观的视觉感受，从而提高检索精度;为了缩短计算机与人类高级语义差距，而图像显著性反映了人类高级语义，本文在研究视觉注意机制的基础上，提出了融合颜色和梯度布尔特征的显著性检测算法，该算法能够形成统一、均匀的全分辨率显著性图，为后续目标识别、图像检索过程打下了基础。利用全分辨率显著性图作为图像检索中图像目标区域的掩膜，提出了基于视觉注意加权的融合局部KSIFT和全局量化颜色特征的图像检索算法。根据图像的显著性区域，过滤图像中低权重特征点，而目标区域的特征点作用权重亦增大，实验结果显示该算法能提高含有视觉注意区域的图像的检索查准率。