随着多媒体和互联网技术的高速发展,图像数据的数量和增长率都达到了较高的水准,图像检索技术的速度和准确率面临着巨大的挑战。在现有的图像检索算法中哈希和量化由于所需的数据存储空间较低而广受业界喜爱。其中,基于量化的图像检索算法的精度又高于哈希不少,拥有巨大的研究价值和发展前景。本文重点研究了基于非正交多码本量化的非监督的图像检索算法。首先对国内外的研究历程和已有的算法做了一定的梳理与总结,然后以加性量化（Additive Quantization,AQ）模型为例详细介绍了非正交多码本量化中遇到的各种问题与对应的求解算法。接着,本文以AQ模型中的顶点局部搜索量化（Local Search Quantization,LSQ）为基础,先使用了C++语言和相关的优化技术进行了算法实现,从工程方面提高了性能,然后从算法层面针对LSQ中有关编码方面的不足进行了分析,提出了包含表格的向量化计算模式、编码的平行化计算框架、随机性的增强与新的接受准则等优化模块。在三个数据集上进行的大量实验展现了这些模块的有效性和高效性,经过优化后的算法在运行速度上提高至了原来的2倍以上,同时拥有更高的检索精度与泛化性。此外,本文还对基于AQ模型的检索算法进行了讨论与优化,循序渐进地提出了基于快速表格计算的检索算法、基于空间划分的非穷尽检索算法、基于图的检索优化这三种优化算法。实验结果显示,这些算法能较好地对时间、空间和检索准确率三者进行权衡。在特定情况下,只需消耗少量的运行时内存,便能提高检索速度数十倍,同时保持较高的检索准确率。