红外云图是一种用来监测和预测天气系统的气象资料。若能从历史图库中找到与当前红外云图相似的图像，则对天气状况的监测和预测将有很大的帮助。本文研究了基于多特征的红外云图检索技术，开展了云系分割、特征提取、多特征融合和检索系统设计四方面工作。云在气象学上常分成四类，每类都有各自特点，因而把云系分割成这四类云有利于提升检索精度。每类云的分形维数特征不同，因而本文应用分形维数方法分割云系。由于某些云的分形维数特征和地表相似，会降低分割准确性。对此，本文采用Otsu算法分离出地表，保证云系分割的准确性。在云系分割基础上，本文对四类云分别提取灰度、纹理和形状这三类特征。本文采用分块模糊灰度直方图方法提取灰度特征，弥补了传统灰度直方图方法的缺陷，即量化bin边界难以划分和缺失空间信息，提升了检索精度。常用的灰度共生矩阵对于红外云图的适用性较差，因而本文选用Gabor滤波器提取纹理特征。由于二维Gabor滤波器的计算量大，会降低检索效率，本文采用分解滤波器的方法，把其分解成两个一维滤波器，既保证了检索精度，又提升了检索效率。本文采用基于轮廓描述和基于区域描述相结合的方法提取形状特征。对于轮廓描述，本文选用Chen不变矩算法，利用7个矩不变量作为云的轮廓特征。对于区域描述，本文选用几何不变矩算法，同样利用7个矩不变量作为云的区域特征。传统几何不变矩算法认为每个像素对中心矩的计算贡献相同。但是对于中心矩来说，越靠近内部的像素对其计算贡献越大。对此，本文利用加权的方法改进，有效解决该问题，提升了检索精度。图像的某一种特征只能表达图像的部分属性，因而仅利用一种特征来检索，通常取得的结果不理想。对此，本文采用了贝叶斯理论来融合三个特征，提高了检索精度。本文依据CBIR系统基本框架，结合上述方法，设计了基于多特征的红外云图检索系统，包括用户接口模块、图像预处理模块、图像特征提取模块、数据库操作模块和结果反馈模块。