随着多媒体技术和互联网技术的发展,图像信息越来越得到人们的重视。如何有效、准确地从大量的图像数据库中查找出人们感兴趣的图像成为了人们亟待解决的重要问题。基于内容的图像检索技术应运而生,并成为多媒体信息处理领域的热点问题。目前基于内容的图像检索技术取得了很大的进展,但利用颜色直方图等全局特征进行检索时带来的图像内容会具有歧义性。一幅图像中通常包含多个内容,仅用单一的特征不能充分的描述多个内容,也不能准确地表示用户感兴趣的内容,多示例学习方法可以较好的解决这种歧义性。通过分析已有的基于多示例学习的图像检索方法,不难看出其主要思想在于将一幅图像转换成一个多示例包,再通过多示例学习算法学习给出检索结果。这样多示例图像包的生成方法就决定了整个学习过程的好坏,本文在分析后提出了两种图像包的生成方法。本文的主要研究内容如下：1.介绍了基于内容图像检索国内外研究现状,以及多示例学习的理论知识,也分析了图像检索问题和多示例学习之间的关系,分析了现有基于多示例学习的图像检索方法。2.通过对已有基于多示例学习的图像检索方法的分析,提出了基于尺度不变特征和基于词袋模型两种图像包生成方法,给出图像包生成过程和基于这两种图像包的多示例图像检索的方法,并在图像数据库中做了对比实验,这两个方法的整体查准率都较好,说明了这两种图像包的生成方法是有效的。3.在多示例学习图像检索过程中,多示例学习过程中示例的属性维数对学习的时间效率有较大影响。随着多示例学习的深入研究势必会出现高维数据下的研究,由此提出了高维数据下的多示例学习算法。通过合理的属性选择,使得多示例学习过程变得简单,在基准数据下实验证明了算法是有效的。4.对全文的研究内容作了总结,并提出了进一步的研究方向。