伴随多媒体技术的飞速发展以及互联网的日益普及，对于数字图像的存储和管理已经成为一项繁重的任务。当基于文本的图像检索已不能满足庞大的网络图像库时，迫切需要提出一种解决方法，基于内容的图像检索（CBIR）被提出后立刻成为人们的聚焦点。本论文主要对基于内容的图像检索中相关关键问题进行研究，主要包括以下内容：（1）为解决单一特征不能很充分地描述图像的内容，提出一种融合多特征的图像检索方法。该算法首先建立伪Zernike色度分布矩，并用它提取图像的颜色特征。然后使用可操纵金字塔进行分解，并计算分解后每一子带的标准差、均值和熵作为纹理特征，最后利用这些特征进行相似度计算并进行排序，将最终结果返回给用户。实验证明，该算法有效地提高了检索系统的性能。（2）提出基于分类器集成和特征加权的基于相关反馈的图像检索算法，来解决图像低级特征和高级语义之间的“鸿沟”问题。该算法首先对三种视觉特征：颜色、纹理和形状分别构造不同的SVM；然后对三个不同的分类器进行集成；最后进行特征加权后得到一轮的反馈结果。通过实验表明，本反馈方法显著改进了传统图像检索算法的检索效率。（3）为解决传统支持向量机（SVM）分类器因训练样本数量等引起的性能不稳定问题，提出了一种基于HMM的SVM核函数的方法，替代了原有SVM内核函数而使用隐马尔科夫模型（HMM）训练得到的函数替代；同时为了解决SVM分类后分类误差仍然较大的问题，提出了基于Semi-BMMA的重排序方法，将特征映射到子空间后得到新的特征表示，重新计算特征相似度后得到重新排序后的检索结果。仿真实验得出，这种方法能够得到理想的检索结果。