随着互联网的蓬勃发展，互联网上的图像内容也呈现快速增长，如果从多媒体库中快速检索到需要的图像是一个研究的热点，现在这方面有两种技术，一种是基于关键字的图像检索，另一种是基于图片内容的检索（CBIR），前者技术已经比较成熟，但是有很多缺点，需要标注关键字，在互联网上标注所有图片是不现实的，CBIR是直接是针对于图像内容的检索从而不需要标注图像。本文首先介绍了关于CBIR的相关基础知识后，从泛化误差概念出发，引出了局部泛化误差模型(L-GEM)，局部泛化误差里面的敏感度概念在模式识别的很多方面有了应用，在这个模型的指导下，本文的创新点是将引入敏感度到基于内容的图像检索领域去优化现有的一些方法。在图像相似度学习上，图像的一些小的修改引发特征空间的扰动，我们通过对在JMLR上发表的OASIS方法的目标函数中加入敏感度，在训练过程中减小样本敏感度从而学习到一个比较鲁棒的相似度度量。在实验的效果比较可以看出提出的方法取得了较好的结果。在相关反馈上，把局部敏感度应用到移动点查询方法上，把局部敏感度当成信息量更新相关类和不相关类的中心，使得中心点与类中各点的相似度接近，实验结果显示比不加局部敏感度的方法准确率高。最后,我们总结了本文的方法,提出了一些展望和今后研究重点。