图像检索是图像处理和计算机视觉领域的研究热点之一。基于内容的图像检索技术从图像自身的内容特征出发,自动化地检索出满足用户需要的图像,已经成为一个非常活跃的研究领域。　　 由于图像的底层特征和高层语义之间存在着语义鸿沟,以及人们对图像理解的主观性,使得基于内容的图像检索结果不能很好的满足用户的需求。为了解决这个问题,本文在考虑了人类视觉注意机制的同时,对相关反馈技术进行了研究。将基于视觉注意机制的显著区域和相关反馈算法相结合,先提取图像的显著区域,再给不同的区域进行不同特征的描述或不同权重的描述,将这种特征描述送入支持向量机中进行训练。此外,粒子群优化算法具有优越的搜索性能,且收敛速度快。本文将其应用到相关反馈领域,给出了基于全局特征竞争的粒子群相关反馈算法。　　 本文的主要工作如下:　　 1、显著区域的提取。根据视觉注意模型提取出图像的显著图,并对原图像进行初始分水岭分割,以图像的显著度和相对边界强度进行种子区域的自动选取,在区域生长过程中,综合考虑传统的颜色均值、显著度和区域的边界强度。该算法有效克服了区域生长过程中因噪声引起的空洞现象,提取的显著区域更符合用户的感兴趣区域。　　 2、基于显著区域和支持向量机相关反馈相结合的检索算法。对提取的显著区域和其他区域进行不同权重的特征描述,或者综合的特征描述,即显著区域使用形状特征,背景区域使用颜色特征,将形成的体现前景和背景区域的特征向量送入支持向量机中进行训练。实验中,我们将基于全局特征的相关反馈算法和本文的算法进行对比,实验结果表明,本文算法具有更准确的检索结果,优于传统全局特征的反馈效果,在一次反馈之后检索效率就有大幅度的提高。　　 3、基于粒子群优化相关反馈的图像检索。对图像库中的图像进行特征提取,形成特征空间,视为粒子群优化的搜索空间,以用户反馈的正例图像来指导粒子速度和方向的进化。实验中,我们统计了该算法在少数正例样本情况下的反馈效果,结果表明,基于粒子群优化的反馈算法在实验中充分发挥了其小样本指导下的高效学习和快速收敛的优势,取得了较好的检索结果。　　 使用C++语言、Matlab和SQL Server数据库构建了以上述算法为基础的图像检索系统并重点实现了系统的相关反馈机制。