机器学习通过对样本图像集的低层特征进行学习,并依据机器学习机制对其进行分类,从而获得了较为准确的检索结果。支持向量机(Support Vector Machine,SVM)作为一种机器学习方法,其本质为一个二分类器,可通过选择合适的核函数将低维空间的线性不可分问题转换为高维特征空间线性可分,即在约束条件下求解目标函数的极值问题,从而有效避免了人工神经网络如BP(back propagation)等神经网络分类方法在求解过程中出现的局部最优解问题,从而获得更好的检索效果。但基于内容的图像检索的检索主体更多倾向于计算机,未能实现检索用户与检索系统交互协同,使得得到的检索结果不能充分满足用户要求。因此,在检索系统中加入用户检索行为模块,即相关反馈,由用户来选择多幅图像进行不断检索的过程。基于内容的图像检索系统(Content-based image retrieval,CBIR)主要是通过提取图像低层特征如颜色特征、纹理特征、形状特征以及空间特征,利用相似度测量方法如欧式距离、马氏距离等实现待检索图像与检索图像库的匹配,并将相似度较大的图像排列显示,可以用查准率和查全率作为检索性能的评价方法。论文设计了一种基于相关反馈图像检索算法,通过检索用户在首次检索结果中筛选感兴趣和非感兴趣图像作为训练样本,通过相关反馈算法进行学习,从而实现对图像库的预测。对比图像单一特征与综合特征的检索准确性的差异、不同相似度测量方法的检索结果存在的差异、选择不同核函数的检索结果差异以及对比不同分类器检索结果的差异。采用支持向量机,结合图像颜色特征、纹理特征、图像分块综合特征以及K-means聚类算法、词袋模型进行图像检索,并完成相关反馈图像检索系统的设计。通过构造多尺度小波核支持向量机与引入主动学习机制和推土机距离度量方法,对比不同反馈次数的检索结果,以及使用主动学习和未使用学习检索结果。在软件设计方面,结合Visual C++6.0软件和MATLAB2013A软件开发工具,实现了该相关反馈图像检索软件。软件测试表明,采用图像综合特征检索比单一特征检索准确性高2%左右;在相关反馈检索中,随着正例和负例图像样本数量的增加,检索结果的准确性越高。