基于内容的图像检索具有广阔的应用前景。然而由于当前计算机视觉水平的限制，计算机提取的低层视觉特征与人类所理解的高层语义之间存在巨大差距，从而阻碍着图像检索的实用进程。相关反馈技术通过人机协同工作成为弥补这种差距的一种有效手段，具有很大的潜力。 本论文的工作集中于图像检索中相关反馈方法的研究，包括对相关反馈短期学习算法和长期学习算法的研究。短期学习算法在基于分类器的框架中进行，沿着机器学习的三个重要环节(训练样本、特征空间和分类器)分别提出了改进的算法以提高本次查询会话的检索性能；长期学习算法通过记忆历史的反馈信息以提高将来的检索性能。主要工作可归纳为： 1.定义了特征空间互补率，提出交替互补特征空间的相关反馈方法以增加训练样本的多样性。训练样本的标记和分类器的训练在两个互补的特征空间进行，结合基于构造学习算法的前向神经网络，该方法有效提高了反馈性能。 2.提出动态选择相关特征空间的相关反馈算法，其核心思想是比较支持向量机在各个特征空间中推广错误率的界。实验表明推广错误率最小的空间基本上和与查询概念最相关的特征空间一致，选择强相关特征空间检索使得在检索性能降低不多的情况下有效地提高检索效率。同时，以相关反馈问题为背景，比较了常用的估计推广错误率的方法。 3.提出基于构造性学习的RBF神经网络的相关反馈算法。基于构造性学习的RBF神经网络集成了构造学习算法和RBF的优势，在反馈过程中极大提高了检索性能，逼近SVM在合适的核参数下的性能，并且构造学习算法是从数据本身分析自动确定网络结构，不需要预先设定参数。 4.在相关反馈长期学习算法的研究上，针对现存方法不易实用的问题，提出一种新的记忆机制。通过为每个正例图像记忆一些最有代表性的样本，结合多示例查询的方法来提高初次检索的准确性和多样性，初次检索性能的改善也带来短期学习反馈效果的增强。这种记忆机制在计算时间和存储空间上都很节省，具有很好的实用性和扩展性。