近重复文本图像检索在文本图像分析与理解中起着非常重要的作用,而且在很多领域有着迫切的实际应用需求。传统近重复文本图像检索方法需要人工事先确定近重复图像之间存在的变换类型,并根据变换类型选取合适的特征来描述图像。由于传统方法受人工影响大、主观性强,本文聚焦于基于深度学习的近重复文本图像检索问题,研究内容主要包括以下两个方面。首先,本文提出一种基于分类卷积神经网络的近重复文本图像检索方法,使用卷积神经网络作为特征提取器,将所提取的特征用于检索。通过实验对比研究了不同卷积神经网络的不同层的特征经过不同池化方法处理后在描述图像方面的能力,并使用两类数据集对网络进行微调,比较不同微调数据集对检索性能的影响。其次,本文提出一种基于三分支孪生卷积神经网络的近重复文本图像检索方法,能自动学习近重复图像之间存在的各种变换。网络输入为一个三元组,包括一个查询图像、查询图像的近重复图像以及查询图像的非近重复图像。通过采用三元损失使得查询图像和近重复图像之间的距离小于其与非近重复图像之间的距离。网络训练好后,可以将任意图像输入网络的一个分支提取其特征,所提取的特征对近重复文本图像之间存在的各种变换具有良好的鲁棒性。由于目前没有公开的近重复文本图像数据集,本文建立了两个近重复文本图像数据集,包含中文与英文两种语言,近重复文本图像之间在光照、视角以及分辨率等方面均有较大的差异。在两个数据集上进行了大量的实验并且与现有方法进行比较,实验结果验证了本文提出方法的有效性。