近些年来,随着计算机网络相关技术及移动智能设备的快速发展,流通在互联网中的数据呈爆发式增长,其中以图像和视频为代表的多媒体信息增长尤为明显。图像是多媒体信息检索中最重要的切入点之一,大规模图像的检索问题以及特殊图像的检索问题吸引了越来越多研究人员的关注,成为了近些年信息检索领域的重要研究课题。本研究课题主要解决多媒体信息检索中的图像检索问题,首先对基于内容的大规模图像检索中的特征提取与表示这一基础问题进行了探索,然后对属于基于内容的图像检索的细分领域——基于手绘草图的图像检索进行了详细研究。其中基于手绘草图的图像检索又细分为类内检索和类间检索两种类型展开研究。本文的主要工作和成果如下:(1)针对大规模图像检索中数据存储压力大检索速度缓慢的问题,提出了面向大规模图像检索的框架。在此框架中,首先利用深层卷积神经网络提取图像的深度特征,再用哈希算法将深度特征压缩为二进制哈希码。此框架在保证检索精度的情况下降低存储负担并提升检索的速度,以此可以有效地进行大规模图像检索,实验证明其在复杂的大数据库上也取得了很好的性能。(2)针对基于手绘草图的图像检索中草图和自然图像差异过大的问题,提出了域迁移生成式对抗神经网络(DMGAN)框架,利用生成对抗的方式学习手绘草图和自然图像间的域转换,将手绘草图在某种程度上迁移到自然图像所在的域,使得进一步的检索任务变得简单,并且能够以多种方式使用来满足不同的任务需求。(3)针对基于手绘草图的类内检索中三元组网络训练复杂困难的问题,提出了一种基于对抗训练三元组网络的细粒度草图检索方法。使用DMGAN辅助三元组网络进行训练,使训练过程变得平滑高效,因而取得更好的检索效果。通过在训练方法上的比对实验及与其他近几年先进方法的比对,证明了所提方法在细粒度草图检索任务上的有效性。(4)针对基于手绘草图的类间检索中提取边缘图操作复杂与信息损失问题,提出了一种用于基于手绘草图的类间检索的端到端跨域表示学习(CDRL)框架及相似性学习网络(SLN)。CDRL框架将DMGAN和SLN组合起来,可同时直接处理草图和自然图像,训练步骤少,可移植性强。在广泛使用的数据集上与目前几种最新的检索方法进行了实验比较,证明了其具有高效、高精度的检索性能。本研究课题致力于研究基于内容的图像研究的多个具体领域,提出一系列方法针对各个领域的检索性能进行优化。在将来的工作中,我们考虑将所提的方法进一步优化,并拓展到内容图像检索中的更多领域。