近年来随着互联网的飞速发展以及计算机处理性能的不断提高,图像数据每天都在以爆炸式的速度增长。随之而来的问题就是如何在海量的图像数据中快速而准确的找到满足用户需求的图像,这就需要一种有效的图像检索技术。传统的基于文本的图像检索技术存在着人工标注量大,带有一定的主观性等不足之处,因而90年代以后,基于内容的图像检索技术逐渐成为研究的热点。当前结合相关反馈技术的图像检索成为研究的重点。本文从流形学习和字典学习入手,深入研究基于相关反馈技术的图像检索,主要内容和贡献有:第一,针对最大边缘投影(Maximum Margin Projection,MMP)算法在图像检索中没有考虑到正负反馈样本的不同特性,对正负样本采用了同等处理的不足,提出了有偏的最大边缘投影算法(Biased Maximum Margin Projection,BMMP),该算法对正负反馈样本采用了不对称的处理,通过保持反馈样本邻域内无标签样本的局部几何结构信息来更好的发掘样本的内在几何结构信息。实验结果验证了BMMP算法的性能。第二,研究表明通过机器学习方法从训练样本中获得的字典具有灵活性好、适应性强等优点。K-SVD是一种应用很广泛的字典学习方法,样本在字典上能够有很好的表示,该方法在分类识别等领域取得了很好的效果。基于上述分析,提出了基于K-SVD字典学习的图像检索方法,通过迭代的增加反馈信息来更新学习的字典,使得字典能更好的反映用户的查询意图。实验结果表明了该方法在基于内容的图像检索中的优越性。