摘要提出一种基于图像显著特征点的检索算法．首先给出一种具有一定自适应能力的显著特征点的提取算 法，即采用改进的图像的块逆概率差模型来提取原图像的块逆概率差图像(DBIP图像)．在此基础上，根据BDIP图 像中像素的分布特点来提取图像的显著特征点．然后以它们为线索，把图像的形状特征和空间颜色分布特征有机 结合起来进行检索．该算法不仅克服利用兴趣点检索时的缺点，而且降低传统显著点提取算法的复杂度，又包含一 定的形状信息，具有较好的检索效率．实验结果表明，该算法是有效的． 关键词基于内容的图

针对可见光图像特征驱动的浮选工况识别方法的不足，提出一种基于双模态图像多尺度 ＣＮＮ 特征及自适应深度自编码核极限学习机（Ｋｅｒｎｅｌ　Ｅｘｔｒｅｍｅ　Ｌｅａｒｎｉｎｇ　Ｍａｃｈｉｎｅ，ＫＥＬＭ）的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解，设计双通道 ＣＮＮ 网络对双模态多尺度图像进行特征提取及融合，将多个双隐层自编码极限学习机串联成深度学习网络对 ＣＮＮ 特征逐层抽象提取，然后通过核极限学习机映射到更高维空间进行决策，最后改进量子细菌觅食算法并应用于深度自编码