近年来视觉图像在互联网和移动终端的急速增长,以及其潜在的巨大商业价值,使得图像检索一直是计算机视觉领域的研究热点。而图像数据的海量性、复杂性和多样性也给视觉图像的实时处理带来了挑战,高效且精确的图像检索系统是目前急需解决的问题。目前基于内容的图像检索系统旨在以图像自身的视觉属性为特征进行图像之间的相似性学习,其中图像特征提取和相似性度量方法是影响检索系统性能的主要因素。然而,目前这些检索系统中特征提取和相似性度量学习都是独立进行的,即通过图像内容学习视觉特征,然后再根据该特征进行度量学习,以此构建图像检索模型。本文提出了一种基于认知特征和流形排序的图像检索框架,利用视觉的流形认知过程融合图像特征和相似性排序过程。本文通过对视觉认知机制和格式塔心理学的分析,提出了一种新的全局视觉图像特征——感知一致性描述子。该特征首先利用格式塔心理学原则检测了图像中具有相同底层视觉属性的局部邻域;然后以图像中两种相对独立的对比度和空间位置分布为特性,同时统计了这两种特性在局部邻域和全局图像中的分布情况。在图像检索实验中,利用传统的距离度量方法验证了该视觉特征的有效性。其中该特征与L1距离构成的检索框架能获得比较好的检索效果,也说明了特征与度量方法的融合性对检索效果的影响。本文利用经典的流形学习算法对该图像特征进行二维可视化,验证了该特征在保持图像间本质低维变化中的有效性。这种流形结构的保持特性也是流形排序算法对样本分布的基本假设,本文的图像检索框架也正是基于这种图像特征与流形排序的相容性而提出的。因为流形排序是对样本间初始距离排序结果进行重新排序学习的过程,所以视觉特征自身的区分性能也是提高检索结果的必要条件,而特征之间的流形结构是在此基础上进一步提高了排序检索的准确率。本文在图像数据集中的实验也验证了这种检索框架的有效性,对其他符合流形结构的视觉特征也有所提高。此外,针对流形排序算法中排序阶段时间复杂度较高的问题,本文也提出了一种改进的流形排序算法。该算法旨在迭代更新与查询样本相似的少量种子样本节点,利用传统的流形排序算法学习种子节点与查询样本的相似性,再将这种相似性传递给所有的数据库样本,以此重新选择更新种子节点。因此,该算法更注重种子节点与查询样本的相似性值,小规模的流形排序过程也减少了算法的时间复杂度。实验表明,该算法能以较低的时间复杂度获得更高的检索结果,加快了图像检索的效率。