随着数字图像信息的爆炸式增长,用户对多媒体搜索的需求也越来越强烈。传统的图像检索技术,是利用图像周围的文本信息对数据库进行检索,但由于视觉特征与文本特征之间存在着“语义鸿沟”,很容易影响搜索结果的相关性,因此基于内容的图像检索逐渐成为计算机视觉领域的研究热点。传统的bag of features图像检索模型对于图像检索存在两方面的问题:一是高维视觉特征被量化为视觉关键字时因降维而带来的信息丢失,导致特征的区分力下降;二是bag of features模型将图片看作是视觉关键字的集合,忽略了特征之间的空间位置关系。本课题针对第一个问题,基于bag of features模型,通过结合SIFT与CS-LBP特征描述符,提出了基于双关键字索引的图像检索模型。在双关键字图像检索模型中,利用SIFT与CS-LBP两种特征描述同一特征区域,可有效提高视觉关键字的区分力,弥补特征量化的精度损失。同时双关键字检索模型使用双码书实现特征量化,在同等关键字规模的条件下,可有效减少量化时间。为了提高搜索的准确率,本文提出了基于双关键字检索模型的海明码嵌入技术与基于距离权重的软量化技术,并通过实验证明这些技术有效增强了双关键字图像检索模型。同时,本文以双关键字图像检索模型实现了基于内容的图像检索系统,并以检索系统为平台开发了移动客户端的专辑搜索应用。在实验部分,本文利用INRIA Holidays标准数据集在120K规模的数据库上将双关键字检索算法与原始bag of features模型进行了对比,实验结果表明双关键字图像检索模型有效提高了系统的搜索准确率,在运行时间上也满足系统的实时需求。