随着信息化技术和医学数字化影像设备在医学领域中日益广泛的应用,医院每天都将产生大量的医学图像数据。如何有效地管理和运用这些数据成为了目前的研究热点,因此基于内容的图像检索(CBIR)被广泛应用,它不同于传统的文本检索,将其应用于医学图像领域具有重要意义。基于内容的图像检索面临的主要挑战是一直存在着的两大“鸿沟”,即现实世界的对象与计算机表示之间的“表达鸿沟”和图像的低层内容特征与高层语义特征以及人的主观性之间的“语义鸿沟”。前一个“鸿沟”已经通过特征提取的手段有效缓解,相关反馈机制的引入则缩小了语义鸿沟,有效地获取了用户的查询意图。在CBIR的相关反馈中,研究人员首先借鉴了文本检索中的权重调整的思想,利用用户的反馈信息计算得到各特征的重要程度,以此来调整权重进行反馈达到提高检索性能的目的。随着相关技术的不断进步,逐渐地将机器学习的思想引入到相关反馈中,例如SVM方法等被广泛地应用到CBIR的相关反馈中。同时又引入了长期学习的方法从检索的历史信息中获取相关信息。本文首先介绍了基于内容的图像检索(CBIR)的关键技术,并详细分析了目前的CBIR相关反馈检索算法；接着,提出了本文的基于长期学习与短期学习相结合的CBIR相关反馈检索技术。首先,本文的短期学习采用了将权重调整的方法与Soft SVM方法相结合的方法,接着在分析了多种SVM相关反馈算法的基础上,提出了一个面向SVM的通用采样算法,该算法能够通过参数的调整来实现各种不同的采样算法以及各种采样算法的联合使用。其次,对于长期学习使用了基于日志的相关反馈算法,本文建立的日志库不仅记录了图像的正负例属性,还记录了用户的多级评判标注信息,并将这些信息用于样本的采集和相似度的计算。通过大量的对比实验,证明了本文提出的算法比现有的算法对CBIR相关反馈检索更有效。