基于机器学习的图像检索技术,一直都是机器视觉领域里研究的热门技术。应用该技术的关键和难点在于:图像特征的有效选择与提取,如何综合利用特征数据实现图像检索等。传统图像检索方法往往依据纹理、颜色、形状等基本特征,选取特征单一,检索能力有限。本文在研究传统图像检索方法的基础上,采用差分进化改进极端学习机的图像分类检索方法。该方法根据不同类型的图像,选择并提取多个不同的图像特征完成图像检索任务。本文研究了图像预处理中的插值和滤波问题,通过这类预处理操作提高原始图像的品质。分别研究基于改进极端学习机的同类型图像和不同类型图像的图像检索问题。针对前一问题,选择HU不变矩特征,构建改进极端学习机的特征输入,分别对车标图像库中的大众车标、标志车标和别克车标的图像检索问题进行实验。实验中本文方法检索车标图像的准确率可高达95%,远高于普通极端学习机73%左右的检索精度。采用差分进化方法,以实现极端学习机输入权值和隐层偏置值的合理初始化,从而提高传统极端学习机的图像检索性能。变换不同检索目标,提出以Harris角点与质心的距离比作为新检索特征,可将车标检索精度提高至98%左右。以汽车、花、建筑等组成的图像库为对象,研究多类型图像的图像检索问题。在HU不变矩特征的基础上,有针对性地设计和使用了图像目标的最大H分量比值特征、LBP纹理特征等作为学习机输入,实验结果表明,改进的极端学习机算法性能明显优于传统极端学习机的检索效果。通过上述研究表明,将差分进化算法引入极端学习机,能够有效增强网络的鲁棒性。面向不同的检索目标合理选择不同的输入特征,实现极端学习机的多特征融合检索。在同类图像的检索和多类图像的检索等领域,该检索系统都能达到更高的检索精度。