图像检索是机器视觉的重要研究方向,在电子商务、公共安全等领域有广泛的应用。近年来随着深度学习的发展,基于内容的图像检索技术取得了显著突破。这种“以图搜图”的检索方式应用的前提是必须有一张查询图像。然而很多应用场景难以满足上述前提,比如在街上或者电视上看到了一件感兴趣的衣服却无法对其拍照。我们将这类问题定义为“无查询图像检索”问题,即需要检索的目标图像只存在于人的记忆里。本文围绕无查询图像检索问题开展研究,并以服装检索为具体应用场景,探索通过隐式相关反馈的方式实现无查询服装图像检索。隐式相关反馈的方式具体来说就是在检索系统推荐的图像中,用户每次选取一张和他/她心中的查询图像最相似的。系统会根据用户的点击进行下一轮的推荐,并通过这种交互的方式迭代地找到目标。这个过程中最为关键的部分是系统怎样根据用户的点击进行下一轮的推荐,这也是本文所探讨的重点。在对此问题原有研究的基础上,本文提出了基于贝叶斯的特征权重调整算法。不同于原有只对目标图像建模的方法,本文提出的基于贝叶斯的特征权重调整算法对目标图像和图像特征两个变量进行建模。通过两者互为条件变量构建的贝叶斯算法框架,实现了依据每一轮用户的单次点击,便可对目标图像和图像特征的后验概率分布同时更新。面向310名真实用户,我们在构建的在线检索系统中进行了同域检索和跨域检索下此算法和多种对比算法的实验,得到了有效的实验结果,并进行了大量的分析。实验分析表明特征权重可以较好地模拟用户的决策过程,相比于原有算法,本算法能够显著提高检索成功率,缩短检索完成轮次。受到增强学习的应用的启发,我们认为无查询图像检索系统同样也具备通过试错自行学习如何进行推荐的条件。对系统怎样调整权重进行全新的探索,我们在基于贝叶斯的算法框架下提出了基于深度增强学习的特征权重调整算法,具体使用的权重调整算法替换为了可以在连续动作空间进行选择的深度确定型策略梯度算法。针对所要解决的无查询图像检索问题,我们对深度确定型策略梯度算法的状态、动作和奖励进行了合理的定制,并模拟出理想用户对模型产生了大量的训练数据,然后在理想用户的情况下针对此算法和多种对比算法进行了实验。实验结果表明本算法相比于原有算法同样有显著提高,但相较基于贝叶斯的特征权重调整算法稍有差距,我们对差距产生的原因进行了较为深刻的分析并对未来的工作进行了展望。