随着数码产品的普及以及网络社区的快速发展,传统的基于关键词的图像检索已经不能满足用户的需要,基于内容的图像检索能更形象,更精确的返回用户所需图片,已经成为计算机视觉,模式识别,人工智能领域的一个研究热点。本文主要讨论了图像描述子以及高维空间的特征检索。图像描述子部分简单回顾了几种常见全局特征,包括颜色,纹理,形状特征。重点介绍了基于特征点的特征描述子,包括特征点的检测方法以及如何在特征点检测阶段解决图像的尺度变化问题,如DoG detector, Hessian detector等。并介绍了经典的SIFT,SURF的描述子构造方法,以及该描述子如何解决图像的旋转及光照变化问题。高维特征检索部分重点介绍了目前比较经典的三种检索框架,多示例学习,语义树以及Local Sensitive Hash,以及基于这些框架的改进工作,分析了三种框架实现高维空间快速检索的理论依据。三种框架在基于内容的图像/视频,文档,网页等检索,分类领域中均取得很好的实验效果。重点介绍了本文提出的基于类内均方差的动态vocabulary tree结构的构建方法,分析了该方法解决类内数据量较大但数据比较紧密以及数据量较小但数据较分散两种情况下的如何构建更合理的vocabulary tree结构。本文的另一创新是提出了新的结构框架feature forest,当图像库比较大时,图像内容变化较大,一种特征很难对所有图片内容都有较好的描述能力,这也是导致基于内容的图像检索的检索效率低的一个重要原因。feature forest可以很好融合具有一定互补性的特征的检索结果,并自动分析某一特征的检索结果的好坏然后调整其权值,解决了特征线性融合方法的缺陷。实现了动态结构的vocabulary tree以及基于HOG与SURF特征的feature forest,并在UKY, ZuBuD, famous_landmark三个标准数据上测试验证了本文提出方法的有效性,上述3个数据库对于基于内容的图像检索的难度不同,但feature forest的检索精率终高于vocabulary tree。其中,在UKY数据库上的检索率有78.2%提高到86.7%。系统实现工具是基于VS2005的c++,以及开源库OpenCV。