随着数字信息的迅猛发展,各种网络平台和社交软件的数据库存储着上百亿幅图像,如何在海量图像中搜索到目标图像是图像检索任务的关键。近年来,基于内容的图像检索方法已成为该领域的研究热点,而特征匹配是其关键环节。随着深度学习的快速发展,基于颜色、纹理、形状等图像底层特征的传统方法具有一定的局限性,与之相比基于深度学习的方法能够获得更为丰富的特征信息,但受不同局部区域高相似性描述子影响,误匹配问题降低了图像检索精度。因此,如何准确并快速的获得图像检索结果成为解决上述问题的关键,主要工作如下:（1）通过语义分割网络获得每个卷积层的可视化特征图,针对最后一个卷积层具有更强空间信息和语义信息的特点,利用梯度得分获得特征图中每个通道的权重,通过线性融合的方式,在通道维度上加权求和并归一化,利用双线性插值获得最终的热力图。（2）提出基于注意力的深度局部特征提取模型,该模型使用残差网络提取密集局部特征,通过注意力网络生成特征的注意力得分,筛选与检索对象相关的特征点,采用主成分分析方法得到深度特征描述子。（3）利用语义分割网络所获得的类别信息和热力值信息构造多维度复合热力特征描述子,给出针对这类特征描述子的K-Dimensional树结构,基于该结构结合Best Bin First（BBF）和随机抽样一致算法实现特征匹配。在Oxford5K和Paris6K数据集上进行实验,实验结果表明,该方法能够较好地避免不同区域高相似性描述子所导致的误匹配问题,相较于Deep Local Features（DELF）和D2-Net算法,在查准率以及时间效率上都有所提高,与Fine-tuning CNN、DAME WEB等方法相比检索精度提高近2%,实验结果验证了该方法的有效性。该论文有图37幅,表9个,参考文献70篇。