随着20世纪多媒体技术及Internet网络的发展,可获取的图像和其它多媒体数据越来越多,数据库容量不断增大,如何组织、表达、存储、管理、查询和检索这些海量的多媒体数据,是对传统数据库技术的一个重大挑战。基于内容的图像检索是多媒体信息处理中的一个研究热点。图像、视频作为信息数据中最直观、最形象的内容,对它们的检索和查询是多媒体信息处理中一个亟待解决的问题。基于内容的图像检索(CBIR)利用图像的视觉特征如颜色,形状,纹理等来找到相似的图像,虽然视觉特征对于找到相同语义的图像有一定帮助,然而该方法至今仍然有许多问题没有解决,如语义鸿沟,特征提取,检索方法等等。现有的基于内容的图像检索(CBIR)方法主要是通过相关反馈和分类方法相结合进行图像检索。本文将主动学习的方法(Active learning)[21,22,23]引入相关反馈[16],为了解决相关反馈时正样例的数量远少于负样例的数量的问题,即图像的不平衡性问题,本文提出了两种主动学习方法:“正例增强的Angle-diversity算法”和“基于URL的正例增强算法”。另外,由于SVM优越的分类性能,本文采用SVM分类方法进行图像检索,文章对现有的SVM算法进行了分析,指出了SVM算法在CBIR中对于正样例缺乏排序能力的缺点,并且提出了新的SVM排序方法。本文的实验在两个数据集上进行,分别为10000幅图像的标准Corel数据集和从网上下载下来的11000多幅图像的Web数据集,通过实验可以看到,本文提出的主动学习方法和新的SVM排序方法在一定程度上提高了图像检索的性能。