随着科学技术的不断进步,网络上的图像数据呈爆炸性增长的趋势。图像种类繁多、数量庞大,混合在一起,表现出一种杂乱无章的状态,用户想要从中查找需要的信息非常困难。为了实现大型图像库的高效管理,提高用户检索的效率和准确率,基于内容的图像检索(CBIR, Content Based Image Retrieval)技术成为国内外学界研究的热点。CBIR技术涉及如特征提取、相似性度量、索引技术、相关反馈及系统性能的评价等技术内容。本文围绕图像特征提取技术展开深入研究,具体工作如下：第一,针对颜色直方图仅能表达图像像素颜色的统计特性、而不包括颜色空间位置分布信息的缺点,研究分块颜色直方图的图像检索方法。首先将图像分块并提取每个子块的颜色直方图；然后利用欧氏距离计算图像对应子块颜色特征之间的相似距离；通过加权处理各个分块间的相似距离得到图像之间的相似度。该方法在传统颜色直方图的基础上,引入颜色空间分布信息。实验表明,它比传统的颜色直方图方法具有更高的检索准确率。第二,传统局部二值模式(Local Binary Pattern, LBP)算法存在两个缺点：对噪声比较敏感；图像中不同的结构模式也可能会有相同的LBP值。这导致利用传统LBP算法检索,效果往往不够理想。针对这一问题,提出一种分块局部二值模式的图像检索算法。首先对传统LBP算法进行改进,利用3×3像素邻域的局部灰度均值代替其中心像素作为阈值计算LBP值,以增强LBP算法的鲁棒性；然后将图像分块,并用改进的LBP算法提取每个子块的LBP特征；利用卡方距离计算图像对应分块LBP特征之间的相似距离；通过加权处理各分块间的相似距离得到图像之间的相似度。比较分块局部二值模式算法和传统的局部二值模式算法,实验表明,分块局部二值模式的图像检索算法具有更高的检索准确率。第三,研究了多特征融合的图像检索方法。由于图像内容比较复杂,单纯的使用一种低层视觉特征并不能对其进行全面表达,检索结果往往不能满足人们的需求。本文在基于分块颜色直方图和分块局部二值模式算法的基础上,提出一种基于颜色和纹理特征融合的图像检索方法。实验表明,与单纯的利用一种颜色特征或纹理特征检索相比,该方法具有更高的检索准确率。