随着互联网/移动互联网的迅猛发展,网络上产生了大量的图像和视频内容,它们急需被分析与理解,用以快速完成信息的交换与传播。示例图像检索则是其中一个具有较大研究与实用价值的课题。尤其是随着深度学习的进步,对图像和视频内容表示的手段越来越高效。本文针对示例图像检索中的关键技术,进行了深入的研究,并有效提升了示例检索的性能。主要工作内容如下:提出了一种基于指示矩阵与Gram矩阵作空间通道加权的无监督图像表示算法。首先引入指示矩阵突出特征图的空间显著区域,随后利用Gram矩阵来分析数据库图像与不同通道之间的相关性,进而提升特定通道的贡献,获得了更高效的全局特征表示。提出了一种基于弱监督学习的示例检索算法,针对有限标注数据集,设计了一种端到端的特征学习网络,获得了紧凑的全局特征编码。同时,设计了新的损失函数,既可以无监督也可以有监督地对网络进行训练,显著提升了模型的泛化能力。改进了一种基于平均查询扩展的检索算法。针对其近邻参数设置不鲁棒的问题,利用相似度加权算法以替代平均求和过程。引入数据扩散,解决了平均查询扩展不能充分利用数据集内部结构的缺陷,提出了新的查询扩展与高效迭代的算法。在Oxford、Paris、Holidays等标准数据集上的实验结果表明,上述算法显著提高了示例检索的准确性。