基于支持向量机的图像检索，是一个有望用较少的图像样本，取得较好的检索效果的检索手段。借助支持向量机强大的学习能力，研究低层视觉特征和高层语义概念之间的关联，从而实现将高维图像低层视觉特征转换为低维的有语义信息的的图像特征等。基于支持向量机的图像检索，可大大缩减图像的维数，提高系统识别率，缩减“语义鸿沟”。 本文的主要研究内容和贡献如下： (1)对基于支持向量机的图像检索的关键技术——支持向量机、相关反馈、图像检索衡量标准等进行了深入的研究，总结了目前已有的一些方法，并从应用的角度分析了它们各自的优缺点。 (2)改进了一种基于向量转移的反馈算法。这种方法是对反馈后的向量进行向量转移算法，动态调整向量转移系数，使得用户标记的高度相关的图像能够迅速的向查询图像移动，而不相关的图像移动速度相对较慢，此方法具有较高的性能和检索效率。 (3)对已有的主动学习方法进行了对比的研究，对几种代表性方法进行了实验比较，并提出了将向量空间和概率分布相结合，使学习器在选择要询问的未标记样本时能综合更多的样本信息，从而进一步减少所需的标记样本数目。通过将此方法与其他几种方法的实验比较，表明此方法具有较高的检索精确性。 (4)将聚类和样本紧密度的隶属度方法相结合，可以较好的将支持向量与含噪声样本区分开来，也有效地提高了分类性能。