伴随着教育信息化的普及,数字化学习资源建设日益受到关注,并被视为奠定教育技术学科发展的基石。数字图像是数字化学习资源的最重要组成部分之一。面对纷繁复杂、规模浩大的数字图像资源,如何精准快速地找到目标图像是数字化学习资源建设中亟待解决的问题之一,而基于内容的图像检索技术(CBIR)为该问题的解决提供了可行的研究方向。本文采用统计建模、稳健兴趣点提取、相关反馈学习等理论,对基于内容的图像检索理论与方法进行了研究,并取得了一定研究成果:1、提出了一种基于多统计模型组合建模的纹理图像检索算法。算法首先对图像进行金字塔对偶树方向滤波器组(PDTDFB)分解;对分解所得高频子带的系数做幅值和相对相位计算;再应用韦伯(Weibull)和Vonn分布概率密度函数对其分别进行统计建模,将得到的两组参数作为纹理特征;最终通过相似度计算,将结果返回给用户。仿真实验表明,本方法采用参数组作为图像特征有效降低了特征维度;混合建模又规避了单一方法对纹理信息的遗漏,在低时间复杂度的基础上得到了理想的检索效果。2、提出了一种基于稳健兴趣点的局部特征彩色图像检索算法。算法首先对彩色图像构造出颜色不变量图像;再使用改进的高阶导数SIFER(Scale-Invariant Feature Detector with Error Resilience)算子对图像提取稳健特征点;继而计算特征点的局部角相位(LAP),并构造出LAP直方图作为图像的纹理特征;使用K-均值(K-means)算法对所得特征点进行聚类运算,构造出颜色空间直方图作为图像的颜色特征;通过归一化处理、参数选择实验及相似度计算,最终向用户返回检索结果。仿真实验表明,改进的SIFER算子对图像的感兴趣区域更加敏感,能精准的提取特征点并有很强的鲁棒性;局部特征点的使用达到降维效果,在低时间复杂度的基础上得到了理想的检索效果。3、给出了一种基于改进支持向量机的相关反馈彩色图像检索算法。算法首先在反馈标注环节使用一类高效主动学习算法,以达到减少工作量的同时缓解反馈结果正反例不协调问题;再对未标注样本应用改良的加速K-中值(K-Medoids)算法来削减聚类时间同时得到更优的分类效果;WESVM(Weight Extreme Support Vector Machine)分类器的使用,使不同样本的误差项得到最适宜自己的惩罚因子,从而为分类器排除了无关噪声和离群野值数据的干扰。最后采用智能算法与网格算法组合寻优的方式对分类器参数进行优化。仿真实验表明,这种结合了优化反馈过程以及样本标注过程的人机交互算法有效解决了“语义鸿沟”问题的存在同时在更少的反馈次数里得到更优的检索结果。