随着互联网技术以及基于图片分享应用的日新月异发展，人们想要在网络中寻找自己感兴趣的图像已经变得越来越困难，传统的基于文本的图像检索系统已很难满足人们精确检索的需求。基于内容的图像检索应运而生并得到长足的发展。如何使得图像检索系统能够从以计算机为中心转向以用户为中心是本文的主要研究目标，本文研究路线主要围绕图像显著性分析和多特征融合两条主线展开。本文主要研究内容如下：1.首先从人类视觉系统的注意力机制出发，探讨了视觉显著性在图像理解中的重要性与合理性。经过对诸多显著特征点提取算法的性能和效果进行了综合评估，本文采用Harris算法。利用检测出来的显著点和显著区域分别为颜色和纹理特征提取提供基础。2.在颜色特征提取方面，本文提出了基于显著点加权聚类的局部颜色直方图方法。首先深入分析了多种颜色空间的区别与应用场合，并基于颜色空间的均匀度角度考虑选择了CIE1976L*a*b*颜色空间，并利用K-means聚类方法将颜色空间聚类至低维空间。另外，本文将K-means聚类算法思想应用在显著点的分组中，聚类过程同时考虑了显著点的位置和颜色信息，并根据显著点与聚类中心的距离加入了相应的权值，并在此基础上提取图像的局部颜色直方图，较好的保留了图像内容的空间信息。经证实，本文方法比传统的局部颜色直方图方法性能更优。3.在纹理特征提取方面，本文提出了基于显著区域的自适应邻域局部二值模式（Local Binary Patterns，LBP）算法。传统的LBP算法邻域大小不能动态改变，致使纹理计算多有误差。针对这一不足，本文提出了一种改进算法，可通过Tamura纹理计算方法在计算粗糙度时得到的K值来动态改变LBP邻域大小，得到了自适应的邻域大小。由实验结果表明，本文方法优于传统LBP算法。4.为了进一步的缩小颜色、纹理特征与高层语义特征之间的鸿沟，本文应用分配权重的多特征融合方法，同时引入基于权重调整的相关反馈技术。为了验证本文方法的有效性，最后在公共数据集进行了验证，由实验结果可看出本文算法具有较优的检索性能。