随着互联网的迅速发展以及图像处理软件的广泛普及,越来越多的网络用户喜欢在社交软件或是个人主页中分享自己喜爱的图像。于是,网络中不可避免地存在大量的冗余图像,造成了网络存储空间的浪费以及图像搜索的滞缓。因此,近重复图像去冗技术的改革与创新是当下网络图像管理的关键。然而,现有的图像去冗技术中,其研究重心往往都倾向于近重复图像聚类阶段,对于聚类后采取的进一步冗余图像去除的措施,却缺乏深入的分析。本文针对现有方案存在的问题,提出了两个高效精确的近重复图像去冗方案,具体研究成果如下:(1)基于PageRank算法的近重复图像去冗方案。方案结合图像全局特征和局部特征进行快速精确的图像聚类。在种子图像选取方案,通过PageRank算法对聚类内图像进行基于视觉内容的上下文相关性分析,选出最具代表性的图像进行保留,删除其他冗余图像。实验结果表明,该方案在由自然近重复图像组成的数据集中表现出良好的去冗性能。然而,在人为近重复图像组成的数据集上,其性能有待提升。(2)基于融合IRG分析的近重复图像去冗方案。针对上一方案在人为近重复图像数据集上表现出的性能下降现象,本方案对其进行了改进,使得改进后的方案同时适用于人为近重复图像。方法改进的主要部分包括特征的精确化、IRG的构建及融合,这些都进一步增强了去冗的精确度,使得方案可以准确追溯到近重复图像聚类中未经拷贝攻击的初始图像。实验结果表明,该方案解决了上一方案的问题,不仅在自然近重复图像上有很高的去冗性能,同时对人为近重复图像也表现出较高的去冗精度,并且它拥有较强的抗干扰能力。