传统的基于内容的图像检索系统返回给用户的是按照与查询图像相似性大小排序的目标图像序列,而目标图像之间的相似性在系统中被忽略掉,基于聚类的图像检索系统返回给用户的是目标图像的聚类结果,从而将目标图像的相似性考虑在内。在基于内容的图像检索系统中,由于返回的图像是与查询图像在视觉特征上很相似的图像,它们在原始特征空间会呈窄带的形状。此外,用户标记的样本往往是不充足的,同时也是不对称的,即正例一般少于负例。在这些情况下,传统的基于SVM的学习算法由于样本的混杂性、不充足以及不对称性,其学习能力会受到很大的影响。同时,好的特征应该能够使相似的图像聚合而使不相似的图像分开。然而,固定的不同的组合特征在很多情况下的操作性能要比“某些”好的特征的性能差。例如在颜色和纹理特征的组合特征下,颜色排序得到的好的排序结果在纹理特征的影响下则可能会退化。本文根据图像的底层视觉特征对目标图像进行聚类,通过两层的图像显示结构改进用户和检索系统的交互方式。在聚类检索的基础上,针对用户反馈时标记的样本少,并结合样本分布的特点以及图像特征的表征能力,本文提出基于聚类的层次化SVM学习算法。将所有的类内的SVM集成在一起构成新的分类器,用于捕获用户的检索需求,减少“语义鸿沟”的影响,大大提高了检索系统的性能和效率。为解决图像低层特征的表征能力,本文提出基于熵的本征特征空间选择方法,同时本文提出内类的样本选择方法用以提高SVM的训练效率。通过与传统的SVM学习算法、主动采样的SVM学习算法以及bootstrap采样的SVM的学习算法的实验比较,表明本文提出的算法的检索性能得以提高。