随着医学成像技术的飞速发展,医学图像越来越多的被用于临床诊断中,并取得了显著的效果。这一情况导致了相关数据的飞速增长。找到与患者图像相似的医学图像,有助于发现之前和该患者患有相同或相似病理情况的病人,从而帮助医生结合经验知识做出更为准确的诊断。然而,由于医学图像在相似性搜索方面要求图像匹配的精度远高于普通图像,目前仍没有一种有效的方法解决医学图像的相似性搜索问题。并且,在实际应用中用户往往只对前k(Top-k)个搜索结果感兴趣,而目前已有的基于内容的医学图像搜索方法均是基于查询图像与数据库中全部图像的匹配问题,目前还没有基于内容的医学图像Top-k查询问题的相关研究。本文首先提出一种基于不确定定点图模型(Uncertain Location Graph, ULG)的医学图像搜索方法。该部分首先提出不确定定点图模型,然后针对脑部CT图像的固有特点,提出一种基于脑部CT图像纹理的从图像到不确定定点图的建模方法,继而提出一种基于不确定定点图的相似性搜索算法,并通过一种基于像素点的的索引结构,有效地减少了无意义的查询处理,降低了搜索时间。实验结果表明,基于不确定定点图的医学图像检索方法可以更精确的找出具有相似纹理的脑部CT图像。其次,本文在基于不确定定点图的医学图像检索方法的基础上提出一种基于关联图模型的医学图像Top-k查询方法。该部分首先提出一种关联图模型。使用这种模型,可以有效的刻画图像之间的关联关系,并利用这一关联关系,提出关联性度量计算方法,从而使得仅需对图像匹配一次即可更新所有图像与查询图像的相似度范围。由此,提出医学图像Top-k查询方法,并提出三种基于游走的查询优化策略。实验证明,本文提出的基于关联图模型的医学图像Top-k查询方法可以在不降低查准率的情况下有效的减少图像匹配次数,降低时间复杂度。综上所述,本文提出了一种基于不确定定点图模型的医学图像检索方法有效的解决了医学图像搜索准确性低的问题,并通过一种基于关联图模型的医学图像Top-k查询方法,有效的解决了传统医学图像检索方法中时间复杂度高的问题。