该文主要对贝叶斯检索框架下的相关反馈技术进行了探索和研究.在基于贝叶斯公式的检索框架之上,应用长期学习和短期学习的相关反馈技术,构建扩展的贝叶斯框架,并提出了一个通过估算动态用户模型来预测用户检索目标分布的图像检索方法.该文的主要工作如下:·给出了利用长期学习的扩展贝叶斯检索模型;基本贝叶斯检索框架<[44]>估算每一幅图像在当前用户反馈下成为检索目标的概率,并通过贝叶斯公式将目标概率的计算转化为用户模式的估算.基本贝叶斯框架是相关反馈技术在概率模型中应用的代表性工作之一.然而,由于所利用的反馈信息较少,基于短期学习的反馈方法的对检索效果的提高十分有限.因此,本文提出了加入长期学习的扩展贝叶斯检索模型.事实上,已有的反馈信息代表了各次检索中用户反馈的模式,记录并且分析利用这些反馈模式,可以有效地预测当前用户的检索目标.·提出了用户检索的反馈模式的概念,利用用户反馈序列描述用户反馈模式,给出反馈模式的相似性定义为了描述每次检索反馈的不同特点,该文提出用户检索的反馈模式的概念.用户检索的特点通过其反馈模式表示,因此不同检索之间的相似性可以由相应的反馈模式的相似性进行判断.由于反馈模式以序列形式表示,该文使用基于序列前缀的编辑距离来度量用户的反馈序列模式的相似性.·提出了基于长期反馈策略的动态用户模型,并给出通过用户反馈模式的相似性匹配,动态估算用户模型的算法;该文给出一个结合长期学习策略的用户模型,即根据历史上曾经发生过的相似检索预测当前用户的检索行为.在用户反馈模式定义地基础上,该文给出了一个通过用户反馈模式相似度匹配来估算用户模型的方法.该方法把用户在检索中所进行的反馈操作序列作为用户的反馈模式记录入数据库中,进行新的检索时对用户反馈的序列模式进行分析,通过相似度匹配来预测当前检索的模式,进而推断用户检索的检索目标.实验数据显示,相较基本贝叶斯检索框架及原有的用户模型,该文所提出的扩展贝叶斯框架及基于长期学习的动态用户模型有效地提高了检索精度,改善了检索效果.