基于内容的图像检索是多媒体搜索引擎的一项重要技术，在给定查询图像的前提下，依据内容信息或指定的查询标准，在图像数据库中搜索并查找出符合查询条件的相应图像。传统的基于内容的图像检索技术主要依赖于图像的底层特征如颜色特征、纹理特征、形状特征等，利用整幅图像的全局特征进行检索或查询，这样的检索容易受到背景等因素的影响，降低了查询效率。文章考虑在待查询图像中首先进行显著区域提取，从而将检索和查询任务完全集中在显著区域上。这也是未来实现基于内容图像检索的主要途径。　　显著区域是图像中最能引起人关注的区域。人的视觉系统能够快速可靠地检测出图像中的显著性区域，而建立相应的视觉计算模型仍然是一个挑战。文章提出了一种基于Local特征和Regional特征的自然图像显著性检测方法。该方法首先将图像分成8×8的子块，其次分别计算每一个子块的Local特征和Regional特征：Local特征可以局部的反映出子块的显著特性，Regional特征可以全局的反映出子块的显著特性。为解决单一尺度下可能会丢失细节特征的问题，图像中显著物体特征的提取在多个尺度下进行，将多尺度下子块的Local特征和Regional特征加权组合来确定子块的显著程度，从而得到整个图像的显著性。此外，通过计算四个颜色通道上的颜色色度对比，获得显著物体的边缘。将图像的显著特征与显著物体的边缘综合后就可以得到图像的显著图。　　显著区域的提取通常是直接对显著图进行分割获得的，但由于显著图不包含彩色图像中物体的整体信息，这种分割通常会破坏显著物体的整体特性，文章首先对K-means聚类图像分割方法做了改进，对图像进行分割。然后利用显著图实现了图像显著区域的提取。基于该方法的显著区域提取保证了显著物体的完整性。在确定了图像的显著区域后，提取显著区域的颜色、纹理、形状特征，采用相关性的方法计算特征的关联程度，实现图像的检索。　　与同类算法进行了比较，实验结果表明：基于本文显著区域的图像检索有更高的查准率和查全率。