随着计算机、网络及多媒体技术的发展,数字图像的数量正以指数级在增长,如何从图像数据库的海量数据中检索图像已经成为当前检索领域一个很重要的问题。传统的检索方式是基于文本的检索,利用文字对图像进行手工标注,然而手工标注工作量大且具有很强的主观性,对于海量数据来说,这种方法显然是不可行的。在此背景下,基于内容的图像检索技术应运而生,该方法从图像自身的内容出发,提取图像的特征,并利用特征进行检索。目前,国内外很多机构都在做这方面的研究,并取得很多研究成果,然而检索的精度和效率仍是制约该方法应用的一个很重要的问题。针对当前基于内容的图像检索技术中检索精度和效率低的问题,结合图像处理技术及机器学习领域的知识,提出一系列改进方法,其研究内容主要包括以下五个方面:(1)针对单特征无法准确描述图像的问题,基于图像的颜色、纹理和形状三个特征,提出了基于多特征的图像检索方法。实验结果表明,该方法与基于单特征的检索方法相比,具有更高的检索精度。(2)针对多特征描述图像带来的各个特征之间权重设定的问题,结合遗传算法,提出了一种基于遗传反馈的图像检索方法,达到自动调整权重,修正图像相似度公式的目的。该方法在检索精度和效率上都表现出较好的性能。(3)针对在检索过程中普通的向量修正公式无法正确反映用户需求的问题,提出了一种基于遗传反馈结合图像融合的图像检索技术,根据用户的反馈结果,结合图像融合技术,对查询向量进行修正。该算法在保证查询精度的基础上,具有更高的检索效率。(4)在检索过程中将特征库与图像库分离,提出一种基于遗传算法的K-Means算法,利用该算法对图像进行分类,提取代表特征组,提高检索效率。(5)以强化学习理论为基础,结合遗传算法、聚类和图像融合技术,构建一个主动学习的智能检索框架,最终实现智能检索。