本文提出了一种基于Logistic回归模型(Logistic Regression, LR)的相关反馈机制,以有效地改进图像的低级视觉特征与高级语义特征之间的鸿沟问题,最终提高基于内容的图像检索系统(CBIR)的效率与精度。本文将用户兴趣喜好加入到相关反馈机制当中,对用户兴趣进行建模,形成一个概率分布,最终运用此模型预测数据库中的图像属于用户喜好类别的概率值,并按照此概率值对返回结果图像集合进行排序输出。这一过程就这样不断地反复,直到用户对查询结果满意或是找到目标图像为止。其中实现此相关反馈技术会遇到一个关键问题,就是用户反馈样本数,也就是训练样本数远远小于图像特征向量维数,Logistic回归模型不能很好调整整体参数,本文将从两个方面解决这一问题。首先,运用迭代Logistic回归模型(Iteration Logistic Regression, ILR)方法,将原本的图像特征向量空间分成几个小的子集,先在各个子集内部进行建模,然后再将训练好的子集作为特征向量的内部向量进行建模。另外,运用机器学习中比较热门的主动学习算法(Active Learning,AL),挑选出那些具有最大信息量的未标记样本让用户去标记,不仅扩大了训练样本数量,最重要的是挑选出对分类器有利的样本让用户进行标记,优化分类结果。实验结果表明,本文提出的方案能够很好地提高图像检索系统的效率。