استخراج ویژگی و اندازه گیری شباهت در فضای ویژگی ها دو مرحله اصلی در یک سیستم بازیابی تصویر مبتنی بر محتوا هستند. از این رو در چنین سیستمی شناسایی روش های مناسب برای توصیف محتوای تصویر و همچنین تطبیق تصویر پرسش با تصاویر موجود در دادگان به روشی که به بهترین شکل منعکس کننده قضاوت انسان درباره میزان شباهت ها باشد، از اهمیت بسیاری برخوردار است. یکی از روش های استخراج ویژگی، استخراج ویژگی از بافت به عنوان یکی از عناصر اصلی تصویر است. در این راستا، تبدیل موجک گسسته با توجه به امتیازاتی از قبیل پیاده سازی کارآمد و امکان تحلیل تصویر در مقیاس های مختلف، پرکاربردترین روش برای استخراج ویژگی ها از بافت به شمار می آید. اما در سال های اخیر به دلیل کاستی هایی که مهمترین آن ضعف در تعیین جهات مختلف موجود در یک تصویر است، تبدیلات چندمقیاسی دیگری نیز مورد توجه قرار گرفته اند. تبدیل موجک مختلط با درخت دوگانه از جمله راهکارهایی است که برای غلبه بر کاستی های تبدیل موجک گسسته پیشنهاد شده است. هدف در این پایان نامه ارائه روشی مبتنی بر تبدیلات موجک برای استخراج ویژگی هاست، به طوری که هم از لحاظ توانایی در توصیف محتوای بافت و هم از لحاظ زمان بازیابی کارآمد باشد. به این منظور ابتدا با استفاده از زیرباندهای به دست آمده از تبدیل موجک مختلط با درخت دوگانه، بردارهای ویژگی ساخته می شوند. این بردارها بر اساس انرژی زیرباندها و مدل سازی آماری توزیع ضرایب زیرباندها با استفاده از تابع گاوسی تعمیم یافته (ggd) به دست می آیند. سپس با اعمال تبدیلات کاهش بعد خطی و غیر خطی به بردارهای ویژگی چند مقیاسی مذکور، ضمن کمک به بهنگام نمودن فرایند بازیابی، توصیف موثرتری از تصاویر به دست می آید. این تبدیلات عبارتند از روش های خطی تحلیل متمایزساز خطی (lda ) و lpp و روش های غیرخطی kernel lda و kernel lpp. در پایان به منظور کلاس بندی بردارهای ویژگی کاهش بعد یافته از سه کلاس بند k نزدیک ترین همسایه (knn)، ناایو بیز (nb) و ماشین بردار پشتیبان (svm) استفاده شده است. نتایج به دست آمده بر روی دو دادگان تصویری استاندارد vistex و brodatz گویای کارآیی و کارآمدی چارچوب پیشنهادی برای سیستم بازیابی تصویر مبتنی بر محتوا در این پایان نامه است.