随着多媒体及网络技术的飞速发展,数字图像的种类和数量都在与日俱增。如何从这些庞大的图像集中迅速且精确地检索出用户所需要的图像信息,并以一定的排序方式将检索结果呈现给用户,是图像检索领域研究的热点问题之一。目前图像检索领域中普遍使用的一种方式是基于内容的图像检索(Content-Based Image Retrieval,CBIR)。然而,在CBIR的各个组成部分中,排序算法直接决定了用户看到的检索结果。所以,排序算法的性能对于CBIR技术的性能起着至关重要的作用。随着搜索引擎检索性能的提高,目前大多数的排序算法主要基于图像之间的相似度对图像进行重排序,即将与查询图像最相似的图像呈现在结果列表的最前面,比如Visual Rank算法。但是这样的重排序方式并没有考虑到检索结果的多样性,所以基于多样性的重排序算法随之提出,比如Multiclass Visual Rank算法。基于Visual Rank算法和Multiclass Visual Rank算法,本论文做了以下工作:1.基于Visual Rank算法,本论文提出一种改进的图像相关性重排序算法。Visual Rank算法中提取图像的尺度不变特征转换(Scale Invariant Feature Transform,SIFT),在这个过程中需要提取大量的关键点,这造成了计算量大及计算复杂度高等缺点。本论文首先通过提取图像的空间金字塔匹配(Spatial Pyramid Matching,SPM)特征改进了Visual Rank算法中的SIFT特征,然后按照Page Rank算法的思想对图像进行重排序,最后将结果呈现给用户。实验结果表明,本论文的排序算法得到的排序结果具有较高的相关性,而且计算复杂度较低,更加符合用户的需求。2.基于Multiclass Visual Rank算法,本论文提出一种改进的图像多样性重排序算法。Multiclass Visual Rank算法首先提取图像的SIFT特征,然后用规范割(Normalized Cuts,Ncuts)聚类算法对图像库中的图像进行聚类,之后每一类中,对图像进行排序,将最后的结果以分类的方式呈现给用户。但规范割算法是基于图像中每个像素点对图像进行聚类的,故计算量比较大,不利于实时图像处理。基于这些问题,本论文运用均值漂移与规范割结合的聚类算法进行聚类,之后按照Page Rank算法思想对图像进行重排序,将结果呈现给用户。实验中将本论文中的算法与其他算法进行比较,实验结果表明,本论文算法在时间复杂度和结果相关度上均可达到较为理想的效果。