基于扩散过程的图像检索技术主要利用图像内在流形结构构成连接图,并将成对图像之间的相似度通过图上可达路径传递给周围其它图像,增强成对图像之间的关系,广泛应用于基于内容的图像检索领域。局部约束扩散过程方法应用于图像检索时存在算法复杂度高、迭代计算量大等问题,而正则化扩散过程方法也存在计算效率低、仅在图像的低层视觉特征空间进行扩散没有考虑图像的高层语义信息等问题。针对以上问题,本文以上述方法为基础,利用流形学习保持图像间近邻关系结合代数多重网格的分层思想以及引入相关反馈,分别提出了基于层次局部约束扩散过程的图像检索算法和基于相关反馈正则化层次扩散过程的图像检索算法。具体研究工作如下:1.针对局部约束扩散过程图像检索方法存在大量矩阵迭代计算,对大规模图像进行检索时计算代价高、检索速度慢等问题,本文提出了基于层次局部约束扩散过程的图像检索算法。该算法结合代数多重网格的分层思想,建立图像库图像的层次结构,只对待查询图像和顶层图像进行相似性扩散并将结果返回底层,得到待查询图像与图像库所有图像的相似性排序,获得检索图像。理论分析证明与局部约束扩散过程算法相比,该算法可以降低时间复杂度。同时实验结果表明,该算法与局部约束扩散过程、自光滑算子以及自扩散算法相比当检索返回图像数目在一定范围内时提高了检索性能。2.针对现有的扩散过程方法大都只考虑图像的低层视觉特征,忽视图像的高层语义信息,造成“语义鸿沟”问题,同时为了提高检索速度,本文提出了基于相关反馈正则化层次扩散过程的图像检索算法。该算法对图像库图像建立层次结构,在顶层利用正则化扩散并引入用户反馈信息,调整待查询图像与顶层图像的相似度,插值返回所有图像得到检索结果。实验结果表明基于相关反馈正则化层次扩散过程的图像检索算法,比流形排序和正则化扩散过程算法,具有更好的检索性能。3.针对医学CT图像的检索问题,验证了不同特征对本文提出的基于层次局部约束扩散过程的图像检索和基于相关反馈正则化层次扩散过程的图像检索方法的检索性能的影响,在IRMA数据集上分别对图像提取GIST、LBP和HOG特征,使用在GIST、LBP和HOG这三种单特征以及它们串行融合的四种特征下进行了对比实验。