现有的基于内容的近重复图像检索算法主要依赖于词袋(Bag-of-visual-words,BOW)模型。该模型将局部特征量化为视觉单词,通过比较局部特征是否量化为相同的视觉单词来判断局部特征是否匹配。虽然BOW模型在一定程度上提高了局部特征匹配的效率,但BOW模型的量化误差降低了局部特征的辨识性,导致BOW匹配结果中经常混有许多错误匹配,这些错误的匹配极大地降低了图像检索的准确度。鉴于上述不足,本文提出了两种基于上下文线索的近重复图像检索的方案。1)提出了一种基于多上下文线索图像描述的近重复图像检索算法为了增强局部特征的辨识性,本文提出了一种新的近重复图像检索算法,该算法利用空间和视觉上下文线索来丰富局部特征的信息。首先,此方案将图像中的每个尺度不变特征变换(Scale invariant feature transformation,SIFT)特征作为参考特征,并为每个参考特征选择鲁棒的上下文特征。然后,将参考特征和周围上下文特征的空间关系编码为空间描述符。考虑到颜色对常见的攻击具有鲁棒性,此方案还通过构建区域来创建参考特征与其上下文特征之间的颜色直方图。为了加速特征匹配的过程,本文将上下文描述符作为补充信息并存储到倒排索引结构中。在图像检索过程中,通过验证多上下文线索来过滤错误的SIFT特征匹配,从而提高检索的准确度。2)提出了一种基于上下文CNN特征后验证的近重复图像检索算法为了改善图像检索的效果,本文提出的方案首先根据BOW模型获得图像之间的所有SIFT特征匹配对,并且利用SIFT特征匹配对之间的尺度,主方向和特征点的坐标,来检测图像之间潜在的近重复区域对,从而避免近重复图像之间检测到的区域对不一致的问题。然后,从这些近重复区域对中提取上下文卷积神经网络(Convolutional neural network,CNN)特征。此外,为了降低特征提取和匹配阶段的计算复杂度,此方案还提出了一种两阶段sum-pooling策略,在保留区域空间信息的同时确保高效的匹配。最后,通过验证基于区域的上下文CNN特征来过滤BOW模型中不相关的图像。大量的实验证明,与现有经典算法相比,该方法在检索效果和检索效率等方面表现出优越性。