随着图像处理和计算机视觉等领域研究的不断发展，基于内容的图像检索技术逐渐成为当前研究中的一个热点。基于内容的图像检索作为一门交叉学科，结合了图像理解、模式识别、人工智能、数据库等多学科的知识，其目标是自动提取图像的视觉内容特征作为其索引，并基于特征的相似度进行检索，以求快速准确地查找到目标图像。　　 由于图像底层特征与用户理解之间“语义鸿沟”的存在，现有图像检索系统的初始检索结果往往精度不够高，不能很好地满足用户的检索需求，研究人员在降低“语义鸿沟”方面做出了很多努力。其中，相关反馈机制的引入能让用户更多地参与到检索过程，系统通过与用户的交互反馈进行主动学习，并根据学习结果调整查询向量，不断逼近用户的检索意图，从而有效提高检索效率。相关反馈已经成为图像检索系统中一个不可或缺的环节，相关反馈算法的选择也在很大程度上影响了检索系统的精度和效率。　　 本文对基于内容的图像检索中的相关反馈机制进行了研究：　　 首先，在传统的特征权重调整方法的基础上，提出了一种基于二型模糊集的相关反馈算法。该反馈算法采用区间二型模糊集的理论来描述用户对反馈结果的标注信息，以尽可能准确地获取用户的反馈意图，在一定程度上解决了用户对图像相关度定义模糊，以及固定权重导致的精度较低等问题。　　 其次，为了减轻用户多次重复反馈的负担和避免信息浪费，本文还提出了一种对用户反馈结果的长效记忆学习方法，通过记忆学习，检索系统将用户多次反馈的信息加以保留和利用，通过知识积累不断提高检索精度。　　 最后，融合特征提取、迭代检索反馈和记忆学习等模块，设计完成了基于相关反馈的图像检索系统。经验证，基于二型模糊集的相关反馈算法结合记忆学习机制能有效提高图像检索的精度和效率。