随着Web技术的普及和信息技术的发展、推广与应用,以图像、声音和视频为主的多媒体信息迅速成为信息交流和服务的主流,现代信息处理的对象和方法都有了很大的变化。大量各种类型的信息在全球得到了采集、传输、流通和应用,人们正在快速进入一个信息化的社会。大规模图像数据库的出现和应用,使得高效的检索机制成为目前迫切需要解决的问题,而基于内容的图像检索技术便是解决这一问题的关键。鉴于语义特征提取的困难性,基于底层特征的图像检索仍是目前比较常用的方法。然而,底层特征上的相似性不一定能反应语义上的相似性以及用户对图像的感知。图像检索系统的最终用户是人,因此通过交互手段来捕获人对图像内容的认知是相当重要的。为了把用户模型嵌入到图像检索系统,最近几年在基于内容的图像检索领域引入了相关反馈机制。相关反馈技术已经被证实是一项强大的技术应用于可交互的基于内容图像检索。尽管已经有不少先进的学习技术提出来构建相关反馈算法,比如支持向量机(SVM)等,目前的技术仍有许多缺陷和不足,其中包括以下几个方面:(1)较少考虑非常有限的训练样本的影响;(2)通常假设训练样本只来自一个正类和一个负类;(3)“维数灾难”和“语义鸿沟”问题;(4)需要多次反馈学习才能得到比较理想的结果。针对这些问题,本论文研究基于内容图像检索中的相关反馈的学习问题,并通过不同的角度提出有效的算法来改善这些问题。首先,我们提出一种最小距离排序的查询优化方法,来克服训练样本非常有限的问题。该方法,基于最近邻分类思想,使用相对排序,将每个反馈正例当作一次单独的查询。实验结果表明,我们提出的方法在训练样本非常有限的情况下能够有效地改善检索的性能。其次,传统的相关反馈学习技术通常认为训练样本只来自一个正类和一个负类,更实用和合理的做法是考虑相关样本来自多个正类,而无关样本来自多个负类。基于这种扩展,我们提出一种新的基于监督聚类的相关反馈算法,该算法在负例图像的监督下,根据底层特征对语义上相似的正例图像进行分类。此外,“维数灾难”和“语义鸿沟”仍是图像检索面临的重大问题,利用特征选择来进行维数约减是图像检索的必要环节。为了改善这些问题,我们提出一种新的特征选择方法,即基于负例监督的特征过滤策略,目的是找出正例样本间的共性,根据用户对图像的理解提取约减的特征集。对比实验表明,不仅可以提高相似性度量的速度,而且有助于缩小“语义鸿沟”问题。实验证明,我们的算法,不仅可以解决传统算法中的缺陷,尤其当反馈样本和反馈次数较少时,检索性能有较大的提高。