由于文本检索的巨大成功,目前主流的图像搜索引擎如Google、百度等对图像检索采用的还是基于文本关键词的方式,即根据图像周围的文本来判断一幅图像与查询的相关性。由于文本描述与图像内容之间可能存在的不匹配现象,图像检索结果往往不尽人意。改善图像搜索结果的方式一般有两种：一是检索前对图像进行语义标注,改善图像关键字的准确度,利用图像的语义进行检索；二是图像检索结果重新排序,就是对搜索结果利用图像和文本本身的特征,对搜索结果进行重新排序,试图将相关图像排在前面,以提高检索结果满意度。现实中图像内容往往具有多义性,传统的图像标注算法会导致准确率的下降。多示例学习是近年来才出现的一种新的学习框架,并以其对多义性对象的出色表示能力而被成功地运用在图像分类标注任务中。多示例学习中多示例包的生成方式是影响多示例学习效果的一个重要因素。本文将重点分析多示例图像分类标注,提出一个全新的图像多示例包生成方式。同时,为了提高分类的泛化能力,本文对集成学习也进行了相关研究。另一方面,图像本身又是一个多模态的对象,比如图像内容,图像相关文本,都是图像的不同模态。现在图像排序的研究对图像多模态特征之间的相互作用利用并不充分,本文通过分析现有的图像排序算法,全面的考虑图像多模态之间的相互关系,将提出一个将图像多模态统一起来进行排序的方法。本文主要做了三方面的研究：1)综合分析现有的基于多示例学习的图像标注算法,提出一个新的基于多示例学习的标注方法。方法中图像被建模成一个高斯混合模型,每个高斯模型作为多示例包中的一个示例。这样每个示例就是一个概率的表示,而非传统的向量形式,能更多的表示图像信息、。2)系统分析集成学习的现有研究成果,提出了一个基于多重集的新的选择性集成方法。方法是一个离散空间的优化问题,因此速度可以保证,同时,算法中分类器有各自的置信度。3)分析现有的图像排序算法的不足,提出一个新的图像排序算法,算法将更加全面的利用图像的多模态特征。算法将图像搜索结果集抽象成一个多重图。图的每个顶点是一副多模态图像,图像之间的多重边表示图像模态之间的相似度。最后利用随机游走模型来进行图像排序。为了验证所提算法的有效性,本文在Corel数据集、LCI数据集合Web Queries数据集上分别对三个算法进行了验证。实验结果证明,本文所提出的算法有效的改善了分类精度和排序效果。