随着社会的进步和人们生产生活方式的改变,网络上的图像数据的数量呈现激增的趋势。基于内容的图像检索技术作为近年来处理图像数据的重要手段之一,受到了广泛关注。将其推广到大规模的图像信息数据库中,提升检索的性能,与用户交互,满足用户的需求,这些都是基于内容的图像检索技术在目前这个时代面临的挑战和机遇。本文首先着眼于图像的表示与描述,在介绍了常用的SIFT特征后,为了使其能更精简的表示图像,采用了基于主成分分析算法的图像表示方法。面对大规模图像数据的现状,首先提出利用密度改进的谱聚类算法,使用该算法对数据库进行分割,接着利用类簇建立分布式KD索引树。在检索部分引入用户反馈,根据用户的反馈反复进行距离度量学习,从而不断提高检索的准确度。本文主要研究工作包括:1.阐述了SIFT特征的原理和提取过程,学习了基于SIFT特征和主成分分析的特征提取方法。2.针对目前数据库中图像数量的增加,提出建立分布式检索的解决方法。根据图像数据库中的类簇,在MapReduce架构上建立分布式KD索引树。3.为了分割图像数据库,分析现有聚类算法的优缺点,根据目前已存在的谱聚类和基于密度的聚类方法,提出了二次聚类算法。4.为了取得更好的检索效果,利用距离度量学习的算法,从已标记的图像中学习一个适合的距离度量。结合用户不断返回的对中间结果的反馈,建立了一个基于距离度量学习的交互式检索模型。通过实验,证明了提取出的特征向量依然具有平移、缩放等不变性,改进的聚类算法性能良好,以此为基础的分布式检索策略一定程度上解决了大规模图像检索带来的挑战,而基于距离度量学习的交互式检索也带来了用户体验上的提升。