当今时代,计算机科学和技术处于快速发展的状态,图像数据蓬勃增长,图像处理已经与民众的生活密不可分。如何根据用户的需求,在数以亿计的图像中准确并且高效地进行查找,这是图像检索领域一直以来的研究课题。二十世纪七十年代,研究人员提出了基于文本的图像检索(TBIR)。在特征提取阶段,TBIR需要对图像进行人工标注,耗费了大量的人力和时间。二十世纪九十年代以来,基于内容的图像检索(CBIR)开始发展并趋于成熟。CBIR技术根据图像自身的属性提取图像特征,这样得到的特征能更加准确的描述图像并且摆脱了对人工标注的依赖。在CBIR中,最普遍使用的是基于SIFT特征聚合的检索算法。SIFT特征具有良好的可区分性和鲁棒性。目前,主流的SIFT特征聚合算法有VLAD、Bo W、Fisher Vector和T-embedding等。由局部特征聚合生成图像全局描述子的过程总体上可以分成嵌入和聚合两个步骤。嵌入过程把低维的局部特征映射到高维空间,在局部特征和聚类中心之间进行残差计算。聚合过程一般对残差向量进行求和、取均值等运算,生成最终的图像描述子。例如,VLAD算法对局部特征进行分配,分配的原则是分给最靠近局部特征的聚类中心,对其计算残差之后采用加法聚合;T-embedding方法在嵌入过程中计算局部特征与所有聚类中心的残差,并且保留残差的方向信息,然后通过民主聚合生成图像描述子。T-embedding方法平衡了图像局部特征在图像相似性匹配时的贡献,然而,这种近似完全公平的聚合方式存在不足,局部特征本身对图像的重要程度是不同的。在进行SIFT特征提取时,局部特征检索算法提供了特征的显著性信息。特征的显著性信息描述了其对图像的重要程度。基于这种思路,本文提出了以局部特征的显著性改进的特征聚合方法,下文称之为Saliency T-embedding方法。本文提出的Saliency T-embedding方法使用图像局部特征的显著性改进了局部特征的聚合过程。Saliency T-embedding方法通过显著性信息对图像局部特征加以区分,显著性代表了特征的重要程度,显著性高的局部特征在聚合过程中发挥主要作用,显著性低的局部特征发挥辅助作用。Saliency T-embedding通过调整局部特征的分配实现了对局部特征作用的控制,这很好地改善了局部特征的聚合。如今深度卷积图像检索算法已经在图像检索领域取得了显著的成就,本文将Saliency T-embedding方法分别应用于基于SIFT和CNN的检索算法进行实验。经过INRIA Holidays和Oxford公开数据集上多方面的实验验证,本文提出的以局部特征显著性改进的聚合算法具有更好的检索效果。