随着多媒体技术进入互联网时代,图像作为重要的信息载体呈现指数式增长。在海量剧增的图像数据中找到感兴趣的图片衍生出图像检索任务。细粒度图像不同于普通图像,具有类间差异小而类内差异大的特点,同时缺乏大量精细标注的样本数据,将普通类别图像的检索方法直接应用于细粒度图像检索会导致检索精度不高的问题。因此,如何有效定位并准确提取细粒度图像中主体目标特征成为提升细粒度图像检索精度的关键。本文针对细粒度图像,构建了通过特征提取筛选聚合、特征重排和相似性度量的一套完整有效的细粒度图像检索方法。本文的主要工作如下:针对使用卷积神经网络全连接层特征无法有效刻画细粒度图像局部的细节信息以及有效抑制背景噪声,导致细粒度图像检索中出现负样本靠前的问题,提出了选择性通道加权聚合的细粒度图像检索方法。对网络的最后一层卷积层进行特征提取,将输出的特征图沿着通道方向按照响应频次的不同加权聚合得到二维的全局特征描述符。将特征响应均值作为筛选保留细粒度目标主体特征的阈值,以此摒弃背景噪声信息。最后将保留的特征经过池化得到细粒度目标的主体特征,将得到的特征使用距离加权k互最近邻算法进行重排得到最终检索的相似图像。将该方法与相关方法在多个数据集上进行比较,其实验结果表明能够有效改善负样本靠前的问题,检索精度优于相关方法。针对在特定数据集下直接使用预训练卷积神经网络进行细粒度图像检索时精度不佳的情况,通过度量学习的方法训练网络,在选择性卷积特征加权聚合方法的基础上,提出一种融合多个全局特征的端到端特征提取网络结构。以ResNet50网络模型作为骨干网络,在最后一层卷积层后将多个不同特征聚合方法得到的全局特征描述符级联组合为细粒度图像全局特征,并引入困难样本三元组损失函数进行端到端训练,使网络能够学习到更加真实的相似特征排序分布。同时对组合特征的第一个全局描述特征采用标签平滑交叉损失函数,增大不同类别细粒度特征之间组间距离同时使模型训练收敛更快更加稳定。设置相同的实验条件下,该方法与主流方法进行对比,其在相关细粒度数据集上达到了较好的检索精度。