图像检索技术在图像管理、医疗诊断、安防和版权保护领域应用广泛，可分为基于文本和内容的检索。前者以图像语义注释作为特征，检索结果主观，另外，大型图像数据库的人工语义标注实现困难。后者则以图像具有的客观视觉特征如颜色、纹理和形状为基础，通过对其进行相似性比较，实现对图像内容的检索，检索结果客观真实。目前基于内容的图像检索技术(Content BasedImage Retrieval，简称CBIR)尚不成熟，特征的表示和语义鸿沟这两大问题严重阻碍该技术的发展。针对上述问题，本文展开了以下研究：
　　 分析了RGB和Munsell颜色矩检索性能，为了改进其检索精度低的缺陷，提出一种基于检索结果分数值和排序值的NewcombMNZ融合算法，实现了RGB和Munsell颜色矩的特征融合。实验结果表明，改进后的算法提高了检索精准度和排序值，对噪声具有鲁棒性，减少了检索性能较差的特征对算法的影响。
　　 颜色矩仅反映了图像颜色的全局分布，却无法表示图像颜色的空间信息。本文进一步研究了基于空间信息的颜色相关图特征。研究发现，传统均匀量化颜色相关图方法丧失了较多的颜色信息，无法反映颜色分布特性，导致误检率较高。针对上述问题，分析了图像颜色分布特征，论证了混合高斯模型(GaussianMixture Model，简称GMM)描述图像颜色分布的可行性，由此提出了一种基于混合高斯模型的非均匀颜色量化算法。实验结果表明，较之传统方法，改进算法的检索精准度和排序值有显著提高。
　　 针对图像的底层特征(如颜色特征)与人类对图像的理解之间存在语义鸿沟问题，采用了相关反馈技术。分析了简单学习和模式识别中主动学习对相关反馈算法收敛速度的影响，最后，结合主动学习、颜色矩和颜色相关图特征，实现了相关反馈技术在图像检索中的应用。