在云计算时代下,安全图像检索已经成为图像数据库中的一项重要应用,同时也是多媒体和云计算领域的研究热点和难点。图像特征作为安全图像检索的核心,对其进行保护是防止用户信息泄露的关键之一。这些图像特征,如方向梯度直方图、尺度不变特征变换和卷积神经网络(CNN)等,过去一直被认为是具有机密性的。但最近的一些研究表明,基于这些图像特征重构出的图像与原始图像具有极高的视觉相似性。因此,图像特征潜在不可估量的信息泄露问题,不再具有机密性。然而,目前针对特征保护的图像检索研究较少,且安全性和准确率较低,因而无法应用于实际中。所以,对图像特征进行有效地保护是避免外包至云端的机密性图像检索任务中敏感图像数据泄露的关键,同时也是一个巨大挑战。本文在介绍云端数据泄露和基于图像特征重构图像的基础上,系统地阐述了安全图像检索的相关内容及研究现状。本文关注外包至云端的基于CNN特征的图像检索任务上潜在的特征信息泄露的问题,并针对CNN特征保护开展大规模安全图像检索的研究。本论文的主要创新性成果如下:(1)提出了一种基于CNN分类层特征的图像检索算法。通过提取CNN分类层特征作为代表图像的全局描述符,可以实现端到端的检索方式,避免了其他额外操作带来的计算开销和误差。同时,CNN分类层特征作为一个概率向量包含了丰富的语义信息,可以解决语义鸿沟的问题。实验结果表明,该方法有效地提高了CNN特征在图像检索上的精度。(2)提出了一种基于安全近似最近邻(SANN)的大规模安全图像检索框架。该方法对外包至云端的特征和图像分别进行加密,并通过不泄露查询对象本身的安全陷门向云端发送查询请求,从而对CNN特征和图像进行有效的保护。该方法通过获取与查询陷门相关的加密候选集,并在客户端上解密后计算k近邻结果,从而实现加密数据上高效的图像检索。本文基于所提出的安全框架,通过利用两种不同的SANN方法,提出了基于单交互可重用的安全近似最近邻(RS-SANN)的大规模安全图像检索算法和基于基于划分的安全近似最近邻(SANNp)的大规模安全图像检索算法。最后对CNN特征和框架的安全性以及本文方法的性能进行理论分析,证明了算法的安全性和高效性。最后,本文在两个大规模的真实图像数据集上进行了大量的实验。实验结果表明本文提出的安全框架对各种不同CNN模型和SANN算法具有通用性。此外,实验结果也表明本文提出的安全框架可以与原始CNN模型保持相当的检索精度以及快速的响应速度。