网络上涌现的海量近似图像为近似图像检索(Partial-Duplicate Image Search)带来了新的挑战。近似图像是指从源图像中获取部分区域并对这些区域进行内容/质量上的修改，然后把修改后的区域和其它图像进行任意的组合，即获得源图像的近似图像。由于近似图像之间只有部分区域相似，并且这些区域具有非全局的变换，如旋转、遮挡、视角、亮度、尺度等。因此，全局特征（如颜色、纹理等）不适用于具备非全局变换的近似图像检索。图像局部特征反映了图像的局部区块信息，是对图像局部视觉内容的描述，因此适合于近似图像检索。　　大规模近似图像对检索的速度和精度提出了更高要求，与此同时，如何有效地面对旋转、遮挡、尺度、光照、视角等非全局变换，也是近似图像检索不可避免的挑战问题。本文在保证局部特征鲁棒性与区分性的前提下，提取少而精的局部特征，在保证检索精度的同时，大幅减少了局部特征的存储消耗。本文通过对局部特征的提取和描述相关技术进行了充分的调研，总结了现有方法存在的问题，提出了基于视觉一致性的局部特征提取方法，并研发了一套大规模近似图像检索系统。　　本文的主要贡献如下:　　1.针对现有局部特征提取算法存在特征点数量过多导致冗余度高的问题，本文提出了基于颜色对比度的一致性区域检测方法。该方法基于对颜色对比度进行排序，采用区域生长方法检测颜色对比度差异一致的区域，以有效保证检测的特征点集中在图像的目标对象上，使之更加适用于近似图像检索。该方法检测的特征区域少而精，能提高特征提取的速度，同时在一定程度上缓解了特征匹配时的时间消耗与错误匹配。　　2.针对现有绝大多数局部特征描述子缺乏空间信息描述的问题，本文提出了基于空间上下文的局部区域描述子。该描述子通过构建仿射状的对数-极坐标系下的同心圆对空间位置进行量化，以有效地描述视觉一致性区域的颜色分布和几何空间关系，提高了局部特征的可区分性。该描述子维度低，存储量小，进一步降低了大规模近似图像检索的内存占用与时间复杂度。　　3.基于上述研究，本文研发了一套大规模近似图像检索系统。该系统采用上述基于颜色对比度的一致性区域检测方法，并用基于空间上下文的局部区域描述方法对局部区域进行描述，大幅减少了局部特征的存储消耗，相比于目前最新的特征捆绑（BundlingFeatures）方法平均节省内存占用达45％，平均检索精度mAP(Mean Average Precision)提高8％。