随着基于内容的图像检索技术的发展,包含“交互系统”和“用户参与”的相关反馈构架,在缩减高层语义概念与低层视觉特征之间的‘语义鸿沟’方面体现了较好的性能。特别是基于支持向量机的相关反馈,由于具有良好的泛化能力,因而进一步提高了检索性能。尽管如此,图像检索系统中基于支持向量机的相关反馈性能由于以下四个原因而可能变差:1)小样本导致支持向量机分类器性能不稳定。若训练样本数较小,则SVM的最优分类面对训练样本较敏感,SVM分类器性能可能会很差。2)样本不对称问题。大多数情况下,用户反馈的正样本数远小于负样本数。因此,在训练过程中,如果将正负样本同等对待的话,决策面可能会发生倾斜,导致将不相关的图像误判为相关的。3)过学习问题。由于特征向量的维数远大于用户每次提供的反馈样本数,多数分类器会发生过学习问题,导致SVM分类器的性能变差。4)由于用户参与到训练的过程中,算法的实时性要求严格。针对上述问题,本文进行了下述的研究:首先,对基于内容的图像检索中关键技术进行了阐述和分析。其次,提出了一种多特征组合、训练多个SVM分类器的反馈算法,更好地把握图像检索中用户的主观意图。第三,提出了一种模糊支持向量机结合非对称打包的算法,解决了传统支持向量机中的小样本和不对称问题。另外,采用维数比较低的特征,缓解了过学习的问题。实验表明,与已有的算法相比,虽然算法耗费的时间略微增加,但检索性能得到了较大提高。在上述工作的基础上,构建了一个面向本地数据库的图像检索系统,验证了所提出算法的性能。