پیشرفت های روزافزون در صنعت فناوری دیجیتال منجر به ایجاد تعداد بسیار زیادی از تصاویر به صورت دیجیتالی شده است. از طرف دیگر با روی کار آمدن و عمومیت یافتن شبکه ی جهانی اینترنت، امکان دسترسی وسیع به این تصاویر فراهم شده است. یکی از انواع مختلف تصاویر دیجیتالی که از اهمیت زیادی برخوردار است، تصاویر پزشکی می باشد. امروزه تصویر برداری پزشکی در تشخیص بسیاری از بیماری ها مورد استفاده ی وسیع قرار می گیرد. همه روزه حجم زیادی از انواع مختلف تصاویر پزشکی مانند اِم آرآی، سونوگرافی، رادیولوژی و غیره، در مراکز پزشکی مختلف تولید می شوند. این تصاویر حاوی اطلاعات مفید و ارزشمندی هستند. از این رو سیستمی که بتواند این حجم تصاویر را مدیریت و بازیابی کند برای کاربردهای تشخیص، آموزش و تحقیق بسیار مفید می باشد. به دلیل اینکه پزشکان به طور ضمنی از یک روال شباهت سنجی برای تشخیص بیماری ها استفاده می کنند، ما را بر آن داشت تا روش خودکاری به منظور تشخیص بیماری ها به کمک بازیابی شبیه ترین تصاویر ارائه دهیم. بازیابی تصاویر بر اساس محتوای تصویر روشی مناسب جهت بازیابی تصاویر بر اساس اطلاعات بصری موجود در تصاویر است. این روش در مقایسه با روش سنتی بازیابی بر اساس متن، نیاز به فرایند زمان بر و پرخطای حاشیه نویسی دستی تصاویر ندارد. بکارگیری بازیابی تصاویر پزشکی بر اساس محتوا در کاربرد تشخیص پزشکی از این جهت دارای اهمیت است، که سوابق و تصاویر حاشیه نویسی شده ی بیماران مختلف موجود در مراکز پزشکی، حاوی اطلاعات ارزشمندی برای استفاده در تشخیص های آتی هستند. پزشک به کمک چنین سیستمی می تواند تصاویر مشابه را بررسی نموده، تشخیص دقیق تری را اتخاذ کند و روش درمان مناسبی را برگزیند. به دلیل شیوع و اهمیت بیماری های چشمی، در این پژوهش روشی برای بازیابی تصاویر شبکیه ی چشم به منظور تشخیص بیماری های چشمی ارائه شده است. در این پژوهش دو روش به این منظور ارائه شده و نتایج آن ها با یکدیگر مقایسه شده اند. روش های پیشنهادی شامل چهار فاز اصلی پیش پردازش تصاویر، استخراج ویژگی ها، انتخاب ویژگی ها و بازیابی تصاویر است. در روش پیشنهادی اول از الگوریتم ژنتیک در فاز انتخاب ویژگی ها استفاده شده و در روش پیشنهادی دوم شبکه ی عصبی مصنوعی به این منظور استفاده شده است. در فاز پیش پردازش تصاویر هدف انجام عملیات پیش پردازشی مناسب روی تصاویر است به نحوی که نتایج بازیابی را بهبود بخشد. در این فاز سه عمل اصلی تشخیص ناحیه ی مورد علاقه، بهبود تصاویر و تشخیص مرکز ماکولا، توسط روش های مختلفی که عموماً مبتنی بر روش های ریخت شناسی می باشند، صورت می گیرد. در فاز استخراج ویژگی ها، بانک فیلترهای گابور به عنوان توصیف کننده ی تصویر، روی تصویر اعمال شده و بردار ویژگی تصویر ایجاد می شود. پس از انتخاب ویژگی ها، در فاز آخر یعنی بازیابی تصاویر، با استفاده از یک معیار فاصله ی مناسب تصاویر مشابه از یک مجموعه داده ی استاندارد شبکیه بازیایی می شوند. نتایج این بررسی نشان دهنده ی برتری شبکه های عصبی مصنوعی در انتخاب ویژگی ها برای بازیابی تصاویر شبکیه است. در این روش میانگین حساسیت 85/88% و میانگین دقت 93/82% روی مجموعه تصاویر مسیدور که دارای بیماری ماکولار اِدما در سه سطح هستند، بدست آمده است. علاوه بر دو روش ذکر شده، به منظور نمایش و بررسی قابلیت عمومی بودن روش های پیشنهادی، روش ارائه شده با کمی تغییر در فاز پیش پردازش روی کل مجموعه داده که شامل رتینوپاتی دیابتی در چهار سطح و ماکولار اِدما در سه سطح است، بررسی شده است. ارزیابی این روش نیز روی کل مجموعه داده ی مسیدور به میانگین حساسیت، ویژگی و صحت به ترتیب 95%، 29/89% و 86/91% رسیده است. نتایج بدست آمده نشان دهنده ی قابلیت عمومی بودن این روش در تشخیص حوزه ی وسیعی از بیماری های چشمی است.