随着现代科学技术的发展，数字成像设备的普及，人们可以轻易容易的获取图像，并将其上传到网络。这就造成网络图像的飞速增长。而图像、视频数据中，往往包含有用户的人隐私信息，一旦泄露，将会对用户带来无法估量的损失。由于目前的图像都是在未加密的状态下进行处理，因此对于上传到服务器的图像，用户的隐私数据也存在着被窃取和泄露的风险。　　对图像数据直接进行加密是保护图像中隐私信息的有效手段。然而，现有的图像检索技术无法对加密后的图像进行检索。因此，如何设计一种隐私保护的检索机制，用来在保护用户隐私不被泄露的情况下，进行快速、准确的图像检索，就成为了目前图像检索领域的一个重要的研究方向。　　本文针对隐私保护这一需求，开展了隐私保护的图像检索关键技术研究，主要的研究内容包括如下几个部分:　　首先，本文提出了一种基于三角嵌入和民主聚合的图像检索方案。该方案首先通过选择合适的底层特征提高了检索性能，即利用Hessian Affine特征点检测方法，提取Root-SIFT特征作为图像的底层特征。接下来，本文对民主聚合方法处理图像过慢的问题进行了优化，提高了其处理速度。将优化后的民主聚合方法与三角嵌入方法相结合，对图像Root-SIFT特征进行紧凑表示。随后，采用Power-Law和特征白化方法，对民主聚合后的特征进行后处理，以进一步提高图像特征的表示能力。最后，对白化后的特征进行相似性比对，将相似性最高的若干幅图像作为检索结果返回给用户。实验结果表明，与Harris Affine特征相比，Hessian Affine特征能够有效提高图像检索性能。本文提出的优化后民主聚合方法，当词典大小为64时，可以在保持原有民主聚合方法性能的基础上，将处理速度提高10倍以上。采用后处理方法，通过选择合适的处理参数，可以进一步提高检索性能。在oxford5k数据库上的检索结果表明，采用本文提出的检索方案，平均查准率可以达到69.0％左右，高于现有的其他同类检索方案。　　其次，本文提出了一种基于图像分块和K最近邻相结合的图像重排方法。该重排方法首先对图像进行分块，为每个分块计算民主聚合特征，并进行后处理。在之后的重排时，首先进行基于分块的图像重排，即挑选每幅图像排位最高的分块特征，作为该图像的检索特征。然后在此基础上进行基于K近邻的图像重排，即通过使用排位较高的图像分块重新进行检索，然后根据检索结果，重新计算各幅图像的相似度，进行重排，从而有效提升检索性能。本文将提出的算法与与其他三种适用于民主聚合图像检索的重排方法，即基于分块的图像重排方法、基于K近邻的重排方法和基于支持向量机的重排方法，进行了对比研究。实验结果表明，这四种重排方法均可以有效提高图像检索的性能，其中本文提出的基于图像分块和K近邻相结合的图像重排方法可以获得最优的检索性能，基于K最近邻的图像重排方法速度最快。　　第三，本文提出了一种隐私保护的图像检索方案。该方案在所提出的图像检索方案中，加入隐私保护环节，形成了隐私保护的图像检索方案。针对非对称点击保持加密无法有效保护经过范数归一化的特征的问题，提出了一种随机投影和非对称点击保持加密相结合的加密方法，对图像特征进行保护。该加密方法可以在在无需解密的情况下进行特征的相似度匹配。实验结果表明，采用本文所提出的隐私保护图像检索方案，不仅可以保护用户的检索隐私，还能获得与明文域图像检索方案相当的检索性能。本文还对所使用加密方法的秘钥安全性进行了论证，证明了本文提出的加密方案具有足够的安全性。　　最后，基于上述研究内容，本文实现了一个隐私保护的图像检索演示系统。该系统实现了上述研究内容，即底层特征提取、图像的特征表征、图像特征的后处理、图像检索重排、图像特征的加密保护以及相似度的匹配。该演示系统可以验证这些研究方案的可行性和有效性。