随着图像规模的不断增长,如何快速、准确地检索出目标图像已成为智能信息处理的主要研究内容。图像检索一般侧重于提取图像的局部特征,视觉词袋法(Bag of Visual Word,BOVW)将图像的局部特征量化成直方图向量表示图像。其中视觉词典的生成和局部特征的量化决定了模型的质量。针对传统方式构建的视觉词典区分性较差、构建时间长且不包含空间信息等问题,本文中提出了新的视觉词袋模型生成方法:(1)基于监督核哈希(supervised hashing with kernel function,KSH)生成视觉词袋模型并将其应用与图像分类和检索。在该模型中视觉词典的构建不需要聚类,只需要学习哈希函数,大大降低了构建视觉词典的复杂度、缩短了构建视觉词典的时间;且在视觉词典构造的过程中,本文学习与数据相关的哈希函数,生成了区分能力较强的视觉词典,不需要生成多个视觉词典进行融合,就可达到比现有方法应用于图像分类与检索性能更优的效果。(2)利用KSH生成视觉词典并结合特征的空间位置信息构造新的空间金字塔视觉词袋模型。在该模型中考虑局部特征之间的空间信息,将基于监督哈希构建的视觉词典与空间金字塔相结合,构造出表达能力更强的视觉词典。在不同的数据集上的实验结果表明,本文方法较其它的分类方法其分类准确率较高;较其它的检索方法其检索效率最好。