基于图像内容的图像检索系统通过提取图像底层的视觉特征,然后进行特征匹配进而完成图像的检索,但是这种检索方式在特征提取过程中仅仅提取了图像的部分特征,使得大量的信息丢失,图像检索系统的鲁棒性就会变得很低。基于稀疏表示分类的算法是近几年研究者的新宠,在机器学习领域具有很高的研究价值。这种理论最大的特点就是不需要提取图像的视觉特征来完成图像的分类,这种算法因其复杂度低且易于实现而得到了广泛的研究。本文基于图像内容和稀疏表示两种理论,提出了一种分阶段的图像检索系统。本文的主要工作及创新内容如下:(1)分析了图像的稀疏表示理论,为了更好地完成图像的稀疏表示,本文基于传统的匹配追踪算法,提出了基于步长自适应的匹配追踪算法。新算法不仅在图像重构精度上有所提高,同时也减少了传统算法的复杂度,适用性更强,是一种更加鲁棒的重构算法。(2)基于图像稀疏表示理论,研究了基于稀疏表示的分类算法,考虑在图像有缺失或者遮挡的情况下,提出了一种自适应权值的SRC方法,并且通过步长自适应的匹配算法实现了SRC算法的改进,大大提高了图像稀疏表示的性能。(3)详细介绍了图像检索的理论框架,分析了图像的特征提取以及相似性匹配,结合传统的基于内容的图像检索,提出利用多特征融合的方式来对图像进行表示。为了加强图像检索系统的鲁棒性,将基于内容的图像检索与图像稀疏分类相结合,提出了一种新的图像检索方法,并详细介绍了该算法的实现过程,在分类基础上实现了图像的检索,最后通过相关实验对新的图像检索方法进行了验证。