近年来,随着低成本相机和智能手机的出现,人们捕捉图像的现象越来越常见,使得在线图像的数量急剧增加。如何从大型无组织图像库中快速高效检索到符合用户要求的图像是一个十分具有挑战性的课题。传统的检索方法由于图像表达能力不强,使得检索效率低下,不利于大规模图像检索。尤其随着大数据时代的到来,人工智能加入图像检索的研究,并展示了良好的性能。因此,本文对基于卷积神经网络的图像检索技术做了比较深入的探讨,主要工作如下:提出了一种新的基于卷积神经网络和主成分分析的图像检索算法。通过设计一种新型的网络结构,同时学习基于概率的语义信息相似性和图像特征信息相似性。对于卷积神经网络,将最后一个完全连接层的输出分为两种方式。一部分在n路softmax分类器中起作用,表示为图像的语义信息。另一部分表示为图像的特征信息。在卷积神经网络中添加主成分分析层,获得对深层特征降维的图像特征信息。主成分分析算法旨在通过考虑特征之间的相关关系,对深层特征进行降维的同时降低信息的损失。最后,通过距离函数计算目标图像与数据库图像的距离,实现检索。提出了一种新的基于卷积神经网络和哈希函数的图像检索算法。在图像检索的特征提取方面,利用卷积神经网络训练学习图像的特征,同时在卷积网络的模型上增加哈希层,对图像特征进行量化编码。通过连接Bloom滤波器,过滤部分查询图像,在提高检索精度的同时,降低检索时间。在Image Net-1000、Oxford 5K、Holidays数据集上的实验结果表明,本文提出的算法能够有效地增强图像特征的表达能力,提高检索性能,优于当前主流方法。