在互联网时代,高效的信息检索技术尤为重要。基于内容的图像检索技术(Content-Based Image Retrieval)诞生至今已有30多年,但是仍然存在许多不足。其中最为突出的是海量数据下的可拓展性,以及对于图像语义的提取。本文分别从这两个方面入手,对现有技术进行了综合的分析,并提出了我们的解决方案。首先,在基于局部特征的检索技术中,我们改进了码本的训练算法(CSLC),并提出了一个高效的几何校验方法(BVP),使得整体的检索效率和检索精度得到优化。CSLC算法通过主成分分析来优化初始点的选择,并结合了优先聚类策略,抑制噪声数据。BVP通过对局部几何信息进行编码,能够在检索的过程中同步进行高效的几何一致性检验。其次,我们创新性地提出了一个基于点击数据进行语义重排序的方法,以解决“语义鸿沟”问题。点击数据是学习图像语义的绝佳材料,我们对其性质进行了详尽的分析,并提出一个k-近邻打分和度量学习相结合的重排序方法。该方法可同时适用于两种不同的图像检索方式,使其检索结果拥有更高的语义相关性。我们通过大量实验验证了我们的方法的有效性。在oxford、paris、 flickr100k、clickture等多个公开数据集上,我们的方法相比于已有的研究,均取得了显著的提升。我们还介绍了TRECVID INS2013的相关情况以及我们在该评测中的优异表现。