随着数码设备、电子计算机和互联网技术的飞速发展,准确、快速的图像检索方法已经成为目前急需解决的研究热点。其中,基于内容的图像检索一直是图像检索领域研究的热点,它利用图像的颜色、纹理等低层视觉特征信息来检索具备相似特征信息的图像,然而图像的低层视觉特征与高层语义表达之间存在的语义鸿沟严重影响了图像检索的准确度。为解决这一难题,人们常常将机器学习技术引入到图像检索算法中,通过机器学习图像的低层视觉特征与高层语义表达之间的关系,达到缩小语义鸿沟、提高检索准确度的目的。支持向量机(简称SVM)是一项机器学习技术,专门针对有限样本预测问题而设计,具备结构简单、全局最优性、泛化能力强等特点,目前已被广泛应用于模式识别的许多领域。本文利用SVM分类算法,通过对样本训练使得计算机自动学习特定类别图像的特征,并构造出多类分类器模型,然后利用该分类器模型对图像库中的测试图像进行分类和检索,从一定程度上填补基于内容的图像检索中存在的语义鸿沟。本文将经典的图像颜色特征与纹理特征进行结合,来提高图像特征表达的能力,从而提高了图像检索的准确度(查全率和查准率)。针对SVM无法实现将一幅图片中的多个对象赋予各自属性的问题,本文提出一种改进的SVM图像检索方法,该方法采用分块提取对象策略,先将部分图像库中的图像进行分块操作,建立各对象的样本图像库,然后用SVM分类算法对样本库图像进行训练,构造出多类分类器模型。在测试时,将测试图像进行分块,并将每一个子块输入分类器模型进行分类,最后得到该测试图像的一组分类属性。在检索时,将这组分类属性看作一种新的特征向量即可进行多个对象的图像检索。实验结果表明本文提出的采用分块策略的改进的SVM图像检索方法不仅可以使一幅图像同时具有几种类别属性,并且在检索查全率和查准率方面比不分块的图像检索方法也有所提高。