随着数字图像技术的发展，图像检索已经成为一个研究热点，从传统的基于关键字的图像检索发展到现在广为应用的基于内容的图像检索。基于内容的图像检索主要以图像的底层视觉内容为特征进行检索，例如：颜色，纹理和形状特征。但是在检索过程中人们总是将自己的主观感知加入其中，于是就产生了用户的查询需求和底层视觉内容之间的语义鸿沟。为了减少语义鸿沟，本文提出了一种新的检索方法，它是将图像中用户感兴趣的区域对象分割出来，然后对这个分割出来的片段进行相似度比较，这样系统就能很容易地了解到用户的查询需求，减少语义之间的差异。同时我们还将相关系数引入到颜色特征中，寻求颜色通道之间的相关性，不仅使得检索图像与查询图像保持了颜色上的一致性，而且还提高了检索精度。为了不断地学习用户的查询语义，本文将相关反馈引入到图像检索过程中。相关反馈的过程可以看成是一个图像分类问题，相似的标记为正类，而不相似的标记为负类。可是，负类图像的个数往往比正类的多很多，这样就存在分类数据的不平衡问题。传统的两类支持向量机分类器（SVM）就会失效，于是我们分别引入了一类支持向量机（OCSVM），基于改进AdaBoost的OCSVM集成方法进行实验。通过实验表明，集成方法比其它方法的性能有了很大的提高，而且使得检索精度得到了提升。