随着信息技术的不断发展和智能拍照手机的普及,图像检索的应用越来越广泛,诸如版权侵犯检测、地标识别、信息检索和图像/视频注释等。通过特征提取方法,提取出图像的特征向量来表示图像,是完成图像检索任务的重要内容。面对图像几何变化的多样性,以及大数据量带来的难点和挑战,如何正确、有效地提取和表示图像特征,成为了图像检索研究领域的一个重要研究内容。因此,研究图像检索中图像特征的提取方法具有重大的学术价值和实际意义。本文的主要工作具体如下:本文首先研究了现有的图像特征提取方法,及最近被应用于计算机视觉领域的卷积神经网络。对各种特征点检测算法、局部特征描述算法以及特征压缩编码方法进行了介绍。其次,本文分析了基于特征点检测算法的局部特征提取方法,和基于卷积神经网络的全局特征提取方法。在对上述方法进行了对比研究后,本文提出了一种基于卷积神经网络的混合特征提取方法。实验结果表明,使用本文提出的方法所提取出的混合特征,将局部特征的几何不变性,和基于卷积神经网络提取的全局特征的高区分度,很好地结合在了一起。在Holidays数据集上进行检索,混合特征得到了82.5%的平均精确率,比同等条件下提取的传统手工设计特征提高了 12.3%,表现出了优异的检索性能。此外,为了更高效地降低特征点检测阶段,矩形区域窗口存在的偏移问题对检索结果的影响。本文提出了一种基于内容的频率域图像特征提取方法。使用该方法提取出的特征,具有随维度增加特征值明显减小的特点。因此,本文仅选取低维度的特征来表示图像,从而提高了检索的平均精确率,降低了存储成本。实验证明,本文提出的方法可以高效地降低偏移问题带来的影响。