近年来,随着电子信息技术及互联网图像资源的迅速发展,人们对图像检索的需求越来越强烈。基于内容的图像检索方法(CBIR)根据图像所包含的颜色、纹理、形状和空间位置信息等信息来描述特征,进而对低层视觉特征所形成的特征向量进行处理和检索,成功克服了基于文本的图像检索(TBIR)中存在的关键字描述不准确以及检索效率不高等问题,是一种具有自动化和智能化特点的图像检索方法。随着该方法研究与应用的深入,CBIR中存在的一些不足开始受到重视。本文研究主要针对CBIR中存在的“维数灾难”和“语义鸿沟”问题,在对维数约简、相关反馈技术展开深入分析的基础上,主要做了以下几方面工作:(1)在高维特征向量降维方面,针对主成分分析(PCA)无法处理非线性数据集以及鲁棒性差的问题,在角度优化全局嵌入(AOGE)算法基础上,借助局部正交投影方法提出一种鲁棒的余弦-欧氏距离度量降维算法(RCEM)。该算法利用余弦度量能够处理离群点,欧氏距离能够很好地保持样本方差信息的特点,通过余弦度量提取数据的局部几何特征,利用欧氏距离刻画数据集的全局分布,同时采用参数调整平衡样本全局和局部的关系,从而使降维算法既具备较强的鲁棒性,又成功避免了小样本问题,有效提高了图像检索效率。(2)针对极端学习机(ELM)分类算法隐层节点学习不充分的问题,在最小类别方差极端学习机(MCVELM)算法的基础上,提出一种判别极端学习机(DELM)分类算法。该算法将最大边际准则(MMC)引入到ELM中,通过分析ELM隐层空间的类内离散度和类间离散度得到包含判别信息的分类模型——DELM,增强了分类器的判别能力,并给出降维和不降维两种形式。(3)针对基于支持向量机(SVM)的相关反馈图像检索方法计算复杂度高、缺乏判别能力以及图像特征提取不充分的问题,提出一种判别极端学习的相关反馈图像检索方法。该方法通过图像的颜色、纹理及边缘等信息实现图像的特征提取,解决了以往检索方法中图像特征提取不充分的问题。在检索的反馈阶段,采用DELM分类模型以提高相关反馈图像检索系统的检索能力。大量的比较实验表明,基于DELM的相关反馈算法在同等条件和数据环境下表现出了更好的性能。