在基于内容的图像检索中，支持向量机能够很好的解决小样本问题，而主动学习算法则可以根据学习进程主动选择最佳的样本进行学习，大幅度缩短训练时间，提高分类算法效率。根据该特性，提出一种基于角度和距离的“V”型删除法来快速缩减样本集，同时通过所提出的最优选择法从缩减样本集中选取最优的样本作为反馈样本，最终构造出不仅信息度大，而且冗余度低的最优训练样本集，从而训练出更好的SVM分类器，得到更高的检索效率。与此同时，针对在反馈样本的选择过程中由于样本的不平衡和图像的视觉多样性的存在而常常导致在分类超平面附近找不到正例样本，从而使得分类器性能无法得到进一步提高的问题，提出一种“二阶段”的SVM超平面偏移方法，该方法首先根据样本的不平衡性进行超平面的相对偏移，使得当前超平面向理论的最优超平面移动，然后以该偏移超平面为基础进行相关反馈，并根据反馈结果运用所提出的超平面“三原则”对当前的偏移超平面再进行偏移，以此解决图像的视觉多样性问题，从而得到能够更好提高检索精度的分类超平面。最后，结合上述所提出的两种算法来构建一个完整的图像检索及反馈系统，并与传统的SVM检索系统进行实验对比，实验结果表明，所提出的算法不仅能够更好的处理样本集的不平衡性，而且能够得到更高的检索精度。