伴随着现今这种数据大爆炸的时代趋势,图像数据作为这些数据中非常重要的数据应用在各个领域中。越来越多的学者们将研究方向放在图像数据的领域。图像检索便是图像数据领域中人们着重研究的热门领域,由于人类和计算机存在语义鸿沟问题,相关反馈改进因此被引入。目前学者们已经不再着眼于基于内容的图像检索研究,而是把研究方向放在图像检索中的相关反馈算法方面来进行进一步的优化研究。商标图像作为一个企业的象征活跃在我们的日常生活中,并且我国的商标数量逐年呈现巨大涨幅。但是目前来看商标图像检索大多数还都只是停留在基于类目和文本相结合或者只是基于内容的商标图像检索上。在商标图像检索方面,相关反馈算法的应用研究在近期也成为了商标图像检索的热门研究。针对相关反馈算法在图像检索领域的应用,本文在阅读大量SVM主动学习相关文献后,发现SVM主动学习算法应用在商标图像检索领域可以体现出不错的效果。因此针对此算法如何在商标图像检索领域达到高效应用的问题进行深一步研究。其中为了减少每次反馈过后样本的冗余,运用了密度聚类方法中改进的DBSCAN密度聚类算法,为了均衡样本集数据,达到更好的准确率效果,运用了过采样SMOTE算法。最后把这两种方法结合SVM主动学习算法,本文提出了一种基于密度聚类的过采样SVM主动学习算法。通过与传统的SVM主动学习算法以及基于“V”型删除法的SVM主动学习算法进行实验对比,本文表现出了算法具有良好的性能,并且达到了很好的检索效果。