随着计算机图像在日常生活与生产中的广泛运用,人们对图像分析、检索和分类管理的需求与日俱增。由于图像信息内含的非结构化特点,给相应信息分析处理带来极大困难,因此,图像内容检索相关问题,已成为计算机信息研究人员普遍关注的热点之一。在具体的图像检索应用中,常常需要对同一类图像的若干幅图像进行特征分析与特征提取,并获得图像的特征表示,从而支持对图像的高效、准确检索。常规图像特征常以图像颜色特征、纹理特征、形状特征为基础,结合颜色直方图、颜色相关性提取方法,采用中心加权等面积圆形划分方法,进行图像分块颜色直方图统计;并采用灰度共生矩阵表示图像的纹理特征;采用基于轮廓和区域两种方法,表示图像形状特征。为解决常规颜色特征提取效率低、易受图像噪声干扰等问题,本文运用四叉树表示方法,将图像的颜色以一种快速的方式按照大小不同的矩形进行划分来进行改进。同时,提出基于Contourlet变换的纹理特征提取算法来实现对纹理特征提取的高效性和准确性。由于计算机在模拟视觉来识别图像中相应对象的形状依然存在一定的困难,因此,本文在基于轮廓的图像形状特征提取的基础上,采用小波描述子进行算法的改进,从而提高形状特征提取的准确性。此外,由于采用单一特征进行图像检索的方法对不同图像检索仍然缺乏准确性,因此,本文以单一特征图像检索准确率为权重,设计了加权多特征检索方法,从而提高了图像检索准确率。同时,引入DS(Dempster Shafer)理论,剔除低准确率的特征值,使检索准确率得到进一步提高。最后,结合SVM(Support Vector Machine)分类原理,完成了线性分类器,核函数以及相关变量的设计,建立了基于SVM的图像分类检索方法。本文基于图像内容,对目标图像进行相似性检索,采用统一标准,即“检索准确率”作为各类检索方法优劣的评价标准。在检索结果中,预期图像所占比例越高,则说明“检索准确率”越高。通过实验对结合特征改进的“SVM图像分类检索”、“加权多特征融合检索”以及“基于DS理论的加权多特征融合检索”的平均检索准确率进行了比较。