随着互联网中图像数据的不断增长,用户从海量数据中获取有用信息的难度越来越大,图像检索作为一种帮助用户进行有效获取信息的工具显得越发重要。检索的一大难题是如何从用户的查询中了解用户的意图,为用户返回满意的结果。造成这一难题的主要原因,一是用户查询的歧义性问题,二是检索结果的相似性问题。歧义会导致系统给出用户不需要的结果,相似会导致检索结果的信息量过低。图像的底层表示与高层语义之间存在的语义鸿沟,以及数据量增加带来的过多近似图像更增加了这一问题的难度。图像检索的相关工作已经意识到过多近似图像会对用户的检索体验造成不良影响,因此试图通过聚类与近似图像的消除来提高检索结果的离散程度,提供更多类而’不同的结果。文本检索的工作为了解决查询的歧义问题,定义新的排序函数,试图使检索的结果包含更多与查询相关的子话题。然而即使对于相同的查询,不同用户在不同时刻时给出该查询的意图也可能不同,这些方法试图用同一个标准去取悦所有用户,忽略了用户的个性。因此人们又试图在图像检索中通过用户的相关反馈来捕捉用户的意图。本文首先针对检索结果的相似性问题,设计了图像检索结果的缩放算法,用户可以通过交互要素“缩放系数”,直接控制检索结果的离散程度,即是显示更多相似的图像还是显示更多类而不同的图像。之后针对查询的歧义性问题,利用图像的标签信息设计了语义提取算法,对检索的结果按语义进行分类,并对每个类别提取关键词作为语义信息,通过用户对子类别的选择确定用户的意图。最后结合这两种算法设计并实现了原型系统,从而为图像检索系统提供两种分析用户意图的机制。