基于内容的图像搜索是目前信息检索领域的研究热点,属于多学科交叉,涉及到计算机图形学、图像处理、数据挖掘、模式识别等多种技术。因为图像特征维数高且无序,所以基于内容的图像搜索需要良好的索引技术,既要保证有较高的查准率,又能在大数据量下保持较快的响应速度;而查询优化技术主要通过学习用户的查询行为,调整查询结果的准确性,提升热点查询的响应速度。在聚类索引技术方面,分析了传统K均值聚类算法对聚类中心的依赖性。另外,针对EMD图像相似性计算算法,提出了一种动态自适应聚类索引算法,通过计算EMD距离决定索引结构,使之不再依赖聚类中心点和聚类个数以及聚类层数,在保证较高查准率和查全率的前提下,将算法的平均匹配次数由n降低到k+n/k。对于搜索引擎的优化方面,在吸取传统搜索引擎优化技术的基础上,提出了基于用户的搜索引擎优化技术。通过基于内存的结果缓存技术,用户可以在较短的响应时间内获取服务器端热点图像的查询结果;而依靠记录用户日志并进行学习,用户能对结果集进行评价和改进,有效的提高了查询的准确性。通过对系统的性能测试,新的自适应聚类索引算法,聚类的效果不再受到聚类个数和聚类中心点的限制。而通过图像特征向量之间的距离来确定聚类个数的方法,能在较短的时间内提供较为准确的检索结果。在结果缓存命中的情况下响应速度将更快;而通过日志学习,能将查准率提高到75%以上。