数字成像设备的发展使得数字图像的数量激烈增长,基于内容的图像检索(Content-Based Image Retrieval,简称CBIR)方案被用于解决庞大图像库检索问题。CBIR方案对计算和存储开销需求巨大,使得将CBIR方案外包给云服务器成为热门。然而云服务器是不可信任的,所以安全的CBIR方案是当前研究重点。现有的安全的CBIR方案中图像拥有者、图像用户需要承担大部分的工作。本文对基于加密词袋模型(Bag-of-Encrypted-Word,简称BOEW)的密文图像检索方案(后简称为BOEW-CBIR)进行研究,致力于研究可以直接从密文图像中提取特征,以减轻用户计算负担的方案。BOEW-CBIR方案的具体研究如下。对加密词袋模型的研究。在文本数据检索方案中,词袋模型(Bag-of-Word,简称BOW)由于忽略词义和词序被广泛地使用。图像检索研究的兴起,使得适用于CBIR方案的视觉词袋模型(Bag-of-Visual-Word,简称BOVW)被提出来。针对安全的CBIR方案研究,本文基于前两种模型,提出了更适用于密文域中图像检索的加密词袋模型(BOEW),并且将此模型用于具体的安全的CBIR方案当中。对基于颜色特征加密词袋模型的方案研究(后称BOEW-CF)。此方案,通过对图像颜色值置换、块置乱和图像块内像素置乱保护图像内容。对所有加密的图像块计算颜色直方图,并用K-Means对所有的局部特征进行聚类,建立加密词汇本。每一张图像都用基于此加密词汇本的词频特征向量来描述。特征向量和图像标识组合,建立线性索引,计算特征向量之间的距离来表示图像之间的相似程度。对基于纹理特征加密词袋模型的方案研究(后称BOEW-TF)。此方案,计算图像块差分矩阵,并且通过对差分值置换、块差分矩阵置乱和块内差分位置置乱保护图像内容。与BOEW-CF方案类似,建立BOEW模型,将图像表示成基于此模型的特征向量。在云服务器端,计算两个特征向量之间的汉明距离衡量图像之间的相似度。此方案考虑树形和线性两种类型的索引表,以比较检索效率。此外,本文通过安全性分析,证明BOEW-CBIR方案是安全的;实验结果显示,应用BOEW模型的CBIR方案确实表现更优。