امروزه ما در جهان ترا بایت و میکروثانیه زندگی می کنیم، جایی که روزانه انبوهی از داده ها تولید میشود و در عین حال بازیابی سریع و بهینه اطلاعات مورد درخواست جوامع اطلاعاتی است. داده های چندرسانه ای شامل تصویر، صدا و ویدئو هستند. در نتیجه نیاز فوری برای ضبط، ذخیره و بازیابی چنین داده ای وجود دارد. تصویر ابتدائی ترین فرم داده چندرسانه ای است؛ به همین دلیل تحقیقات زیادی برای بازیابی چنین داده ای صورت گرفته است. سیستم های بازیابی معنایی تصاویر سیستم هایی هستند که برای پاسخگویی به این نیاز توسعه یافته اند. شکل اولیه این سیستم ها سیستم های بر پایه کلیدواژه بود که در نوع خود بی نظیر بود ولی معایب بسیاری داشت. برای همین سیستم هایی برپایه خصوصیات بصری تصویر مورد توجه قرار گرفت. یکی از مشکلاتی که بیشتر سیستم های بازیابی معنایی تصاویر با آن روبرو هستند مسئله شکاف معنایی است که عبارتست از اختلاف بین خصوصیات سطح پایین تصویر و درک انسان هوشمند از کل تصویر.یکی از بهترین روش هایی که برای کاهش شکاف معنایی در چند سال اخیر به آن توجه شده است بازخورد ارتباط است. در مدل پیشنهادی پایان نامه شکاف معنایی در دو مرحله کاهش می یابد. از شبکه های شعاع مدار برای بهبود بازخورد ارتباط استفاده می شود با این تفاوت که به جای بردارهای ویژگی سطح پایین، از بردارهای ویژگی سطح بالا استفاده می شود. این بردارهای ویژگی سطح بالا توسط یک شبکه عصبی چند لایه آموزش دیده تولید می شوند. در واقع در ابتدا بردار ویژگی سطح پایین توسط یک شبکه عصبی سه لایه به بردار ویژگی سطح بالا تبدیل می شود. سپس این بردار ویژگی سطح بالا به عنوان ورودی شبکه rbf برای بهبود بازخورد ارتباط استفاده می شود. شبیه سازی الگوریتم توسط پایگاه داده corel انجام شد. نتایج تحقیق بهبود حدود 10درصد در دقت بازیابی را نسبت به روش معمول و بدون پبش پردازش نشان می دهد.بهبود الگوریتم برای تصاویر عمومی چندان مطلوب نبود در حالیکه برای تصاویر حاوی اشیا این بهبود قابل ملاحظه بود.