随着多媒体信息的爆发式增长,人们对多媒体检索的效率和准确率要求越来越高。在多媒体检索过程中,多媒体对象特征提取是所有检索方法的基础。而特征的长度决定了大多数检索算法的效率。因此如何有效的降低多媒体特征维度的同时又不破坏其内在的相似度关系成为了研究者们亟待解决的问题之一。与此同时,基于图的多媒体检索重排方法因其能有效减小检索过程中的语义鸿沟也受到广泛的关注。一般来说,基于图的重排方法分为基于全局的重排方法和基于局部的重排方法两类。而局部重排方法因其不需要反复迭代,在计算效率上高于全局方法而受到更多研究者们的关注。本文针对多媒体特征的维度缩减以及局部重排方法分别提出了一种方法。多媒体特征往往分布在高维空间的流形上,线性降维方法往往不能保留多媒体对象间的相似关系,因此非线性降维通常是更好的选择。局部线性嵌入(LLE)由于在低维空间中保留了原始空间局部的近邻线性关系,在基于图的多媒体重排序方法中往往能取得更好的效果。然而,LLE算法由于无法实现out-of-sample的降维而不适合检索的环境。为了解决这一问题,本文提出了基于RVFL实现的out-of-sample的LLE降维。该方法通过RVFL网络拟合LLE的降维过程,通过网络实现了out-of-sample的非线性降维。另一方面,在多媒体检索重排的相似度重度量阶段,本文提出了一种基于局部近邻位次信息的相似度度量方法LNRI。该算法受到社交网络中近邻关系的启发,利用局部近邻的位次信息重新度量多媒体对象间的相似度。通过近邻信息,该算法有效利用了多媒体对象的上下文信息,进而缩小了检索过程中的语义鸿沟。为了验证本文提出的算法的有效性,本文在四个图像数据集、一个音乐数据集和两个视频数据集上进行了实验。实验结果显示降维算法和LNRI算法能够有效提高检索效率和准确率。