基于内容的图像检索是计算机视觉领域的一个研究热点。研究人员正试图利用不同的方法,解决低级的视觉特征与高级的语义之间的不匹配问题。本文主要研究利用用户观察图像时的眼动数据,获取用户的意图信息,并以此对传统的图像检索方法进行改造,以弥补“语义鸿沟”,提升检索算法的性能。本文的主要工作和贡献如下:首先,提出了一种基于隐式相关反馈的图像检索算法。该方法包含三个部分:特征提取和选择,基于视觉特征的检索以及相关反馈。在第一部分,本文利用改进的量子遗传算法和主成分分析提取并选择具有70个分量的最佳图像特征;在第二部分,本文利用基于多类支持向量机和模糊C均值聚类的预滤波算法对图像库进行筛选,从而实现基于视觉特征的图像检索。最后,本文训练了一个卷积神经网络,从用户观察返回图像时的眼动数据中挖掘有关返回图像与查询图像之间相关度的信息,该信息用于更新检索点以执行新一轮的检索并提高检索性能。在Corel和Caltech数据集上的实验表明:本文提出的算法能够有效地提高检索系统的性能。其次,提出了一种基于用户意图的图像检索算法。该方法以用户判读图像时的眼动数据为信息载体,以隐含的方式获取用户意图。为了从眼动数据中挖掘用户的意图信息,本文构造了一个级联式的卷积神经网络。该网络以一个一维的网络获取眼动数据的时间相关特征,以VGG-D网络获取眼动数据的空间相关特征,最后通过堆叠的方式将这两类特征融合并作为一个新网络的输入,通过训练获取最优的时空特征,从而实现对用户意图的定量计算,并在此基础上定义图像的相关度。为了计算图像库中没有眼动数据的图像与查询图像间的相关度,本文以视觉特征为桥梁,将用户判读过的图像中的眼动数据传播到图像库与之具有最佳视觉特征相似度的图像上,从而实现基于用户意图的图像检索。实验结果证明基于用户意图的图像检索算法能够缩小语义鸿沟,提高检索性能。