基于内容的图像检索方法在计算机视觉领域备受研究者的关注。首先提取图像的整体语义特征,然后在数据库中查找与之语义相似的图像。检索任务中最重要的环节是图像的特征提取,但是基于手动的特征描述算子只能提取图像的局部纹理、颜色等信息,无法提取出图像所表达的整体语义特征。近几年,基于深度学习的卷积神经网络在计算机视觉领域取得了突破性的研究和进展。卷积层和全连接层均可以作为图像的特征进行检索任务:基于卷积网络的图像检索方法,本文的主要工作如下:(1)针对卷积层的特征向量无法进行相似性检索的问题,本文提出了基于卷积特征融合的图像检索方法(Spatial Weighted Feature,SWF),将三维特征图的每个像素赋予对应的权重,编码为一维的向量进行检索任务。通过可视化的方法,展示了本文提出的特征聚合方法和传统的线性累加聚合之间的区别。实验表明,本文提出的特征聚合方法,能够更加突出感兴趣区域的轮廓,提升了检索性能。(2)针对全连接层的图像特征维度过高的问题,本文提出使用深度哈希编码将高维的向量映射为低维的二值向量。但是哈希编码需要使用Sigmoid非线性映射将神经元映射到0和1之间,考虑到使用Sigmoid会产生梯度消失和爆炸的风险,本文提出基于约束编码的图像检索方法(Deep Constraint Binary Code,DCBC),并且深入分析了编码层特征在不同的约束条件下的激活直方图。实验分析表明,基于约束编码的特征提取方法,能够增强编码特征的区分度,提高检索性能。(3)针对在复杂场景下图像检索需要对场景中的物体进行筛选的问题,本文提出使用注意力机制的图像特征提取方法。提取图像中最为重要区域的特征,并非将全局的语义信息都用来图像检索。实验分析表明,注意力机制的图像检索方法能够较好的克服干扰像素对检索任务的影响,提高检索性能。