本论文主要研究机器学习用于信息检索：排序学习、半监督核矩阵学习以及用户交互式图像检索。
　　 排序学习已经被成功用于文件检索，Ranking SVM是排序学习中一种常用的经典算法。然而，在Ranking SVM中，训练模型的时间复杂度很高，当训练集较大时，需要花费的时间很长。为解决该问题并提高排序的精度，本论文提出将集成学习的方法用于改进Ranking SVM，集成支撑矢量机排序提高了模型训练的效率，并获得较好的排序结果。
　　 半监督核矩阵学习旨在利用给定数据集中少量的已知信息(例如少量的标签或者对式约束)为该数据集学习一个核矩阵。本文给出一种新的约束信息自适应传递方法(CAP)，设计两个自适应逼近项用于克服传统的半监督核矩阵学习方法对式约束传递(PCP)和核传递(KP)中偶尔会出现的信息缺陷问题。在CAP法中约束信息得到充分传递，因此比传统半监督核矩阵学习取得更好的效果。
　　 传统的基于区域的图像检索技术很难抓住用户的目标。为解决该问题，本文给出一种新的用户交互式图像检索系统。该系统的核心思想是利用少量的用户交互信息从查询图像中提取用户关注的查询目标，并用该目标对图像库进行检索。同时引入CAP半监督核矩阵学习方法，利用相关度反馈信息，对检索得到的初始结果主动进行核学习，并对检索图像进行重新排序。提高了图像检索的相关度。