基于内容的图像检索方法(Content-Based Image Retrieval,CBIR)有效解决了基于文本的图像检索方法(Content-Based Image Retrieval,TBIR)存在的人工注释量大、注释存在较强主观性、少量注释很难充分表达图像完整信息以及不同语言标注存在图像语义理解差异等问题,通过提取图像的视觉特征,选择合适的特征组合和查询条件,即可实现查询图像与检索图像间的相似匹配。机器学习方法的提出,逐渐缩小了用户与PC机在图像内容理解上的语义差异,提高了检索准确性。支持向量机学习机制的提出,以所需图像特征作为试验样本数据,通过选取合适的核函数以及相关参数设置构建分类器,对测试样本进行预测分类,以达到逼近的目的,从而检索出相似度更接近的图像。为了从以计算机为中心转为以用户为中心,研究人员提出相关反馈机制,对检索结果进行图像标记,通过多次反馈使得检索结果更加吻合用户检索意图。实验系统以Visual C++6.0为开发工具,并结合MATLAB2013a软件,分别提取图像的颜色、纹理以及综合特征,图像分块有效弥补了图像空间分布信息,借鉴词袋模型(Bag of Words)可提高分类的准确率,以不同数量的正负例图像作为反馈检索的实验样本,分别以支持向量机以及极限学习机两种不同的学习机制进行分类器的设计,对图像特征库进行学习预测,以提高检索精度。实验表明,对于小规模图像特征库,支持向量机具有一定的优势,而对于大规模图像特征库,支持向量机存在一些不足,需要算法改进或者结合一些其他算法。