随着互联网的发展,多媒体技术(图像、视频、音频等)在互联网中的广泛应用。近些年来,数字化图像网络资源呈指数级增长。社交网络的出现,如Facebook, Flickr, Twitter, Instagram, Whatsapp,人人网,微博,微信等,更加推动了这一过程的大众化。用户在这个过程中扮演着两种角色,一种是多媒体资源的提供者,另一种是多媒体资源的消费者。用户通过互联网获取自己想要的多媒体资源。在这个过程中,检索技术的出现提高了用户获得资源的效率。对图像检索来说,用户如何快速并准确地检索到自己想要的图像。这个课题成为近些年研究者们关切的热点话题。但是,对于图像搜索引擎返回给用户的图像当中,其中有部分并不是用户期望的图像。本文基于这个出发点,对搜索引擎返回给用户的图像进行重新排序。我们期望通过自己提出的方法,将尽可能多的与用户期望的图像置于重排序列表的前部。最后,将重排序好新的图像列表返回给用户,从而提高检索结果的相关度和用户体验。本文主要做了以下几个方面的研究工作：首先,我们对图像检索重排序进行了定义。并给出了与之相关的图像处理基础知识,对图像的视觉特征也进行了简单的介绍。同时,对最近几年出现的图像检索重排序算法进行了系统的归类。其次,我们提出了一种自适应选择的图像检索重排序方法,对不同类别的图像分别采用不同的图像视觉特征进行重排序。这个过程中,我们采用了图像的各种特征,如颜色,纹理,及局部SIFT特征。这种方法得到了比图像检索更好的效果。再次,我们提出了一种用于图像检索重排序的概念模型。该方法采用初始检索列表中前N幅图像对检索关键字(概念)进行建模,然后运用概念模型对图像检索进行重排序。在这个过程中我们采用了图像的局部SIFT特征。在概念建模阶段,我们采用了增量式学习方法。这个方法也得到了比仅通过分类和聚类方法更好的结果。最后,我们对本方进行了简单的总结,并对将来进一步研究工作做了展望。