随着多媒体技术和网络的快速发展,图像信息资源大量增多,图像的有效管理和检索变得越来越重要。用户如何从海量图像数据库中快速而又淮确地检索出需要的图像,是目前研究的一项重要课题。从20世纪90年代初起,基于内容的图像检索技术(Content-Based Image Retrieval)就逐步成为多媒体技术研究的热点之一。CBIR技术主要应用图像的视觉特征(纹理、形状、颜色以及对象的空间关系等)进行检索。但是“语义鸿沟”的存在成为图像检索领域发展的重要“瓶颈”。从而,基于语义的图像检索(Semantic-Based Image Retrieval)技术应运而生。在图像检索系统,用户信息需求的表示使用多种类型的查询。可是,由于用户主观感知到的图像视觉特征和语义的深度不够,传统的查询提交给系统后所遇到的困难,以确定用户的信息需要.例如,通过素描和图像实例的查询,并不能代表目标图像的语义内容.查询和匹配只使用唯一的视觉特征来完成.同时,通过文字注释查询用户面临的描述,加大了自然语言处理技术上的难度.在图像检索系统中的一个查询问题中,由于不同系统注释图像和用户自己创建的注释之间的映射并不相同,同时它们之间缺乏统一的相关性.在图像检索系统中,当查询当前检索目标中,加入语义将受到研究者更大的关注.更多的查询技术用于满足用户不同的查询检索系统.对于基于文本查询的图像检索系统,其查询项目包括了描述图像的元数据,关键字和文字标注.对于基于视觉特征的图像检索系统,分类浏览器用于不同的数据库大小的系统以及它们各自的系统分类水平。基于关键字和基于内容的图像检索是图像检索系统中的两种重要方法。而当今,图像检索系统重点强调在图像检索过程中,高层语义与低层视觉特征的结合。最近,一些研究者在检索周期中采用用户互交,使用上述方法和半自动图像检索的结合,取得了一些成果,但没有自学习的动态语义功能,检索效率不高。本文给出的方法是基于一个分层的语义网络,在图像检索领域能够响应不能的需求,并且根据用户的反馈,执行一个新的动态学习检索过程,可以明显的提高图像检索效率。在本文中,给出了模型,具体实现方法和实验结果。