图像排序是图像检索领域中的一个基本问题,它的目标是基于训练数据,找到与查询图像最相近的几张训练图像。本文分析了用于分类的大间隔最近邻居算法和处理图像排序问题的线性度量学习算法,同时提出了一种图像排序算法。该算法基于度量学习,并融合了多维标度和欧氏距离阵的思想,准确高效地从训练集中找到与查询图像最相近的图像。首先,我们将度量矩阵进行分解,从而将问题转化成寻找线性映射以匹配两组点。一组点是初始点,另外一组点是初始点的嵌入点。然后,我们构造不相似性矩阵并且使用经典多维标度方法得到了低维空间中的嵌入点。在不相关性矩阵的构造中,我们加入了数据的序信息,以此保证嵌入点间的距离是分层的,使得学习到的度量矩阵保持了标签间的序关系。此外,我们还证明了所构造的不相似性矩阵是欧式距离阵。我们的模型是无约束的非凸模型,目标函数是最小二乘的形式,同时保持了数据的局部结构。在UMIST和FG-NET图像数据集上进行的数值实验表明,我们的方法在排序表现和运行时间上具有良好的表现。