随着媒体技术和互联网技术的高速发展,媒体平台日益普及,呈现的图像多种多样,这多种多样的图像数据被用户分享到各种媒体平台及互联网,极具丰富色彩的图像吸引了越来越多的人,自此人类进入了图像大数据时代。如何在大规模的图像中快速有效的找到用户所需的图像数据是一个非常重要并且值得研究的内容。因为当前流行的检索方式是基于文本的检索,所以说图像自动标注便成了文本检索的核心研究内容。为了达到快速检索图像的目的,就须要对图像的内容进行分析,对图像进行全面标注。本文基于当下流行的目标检测算法进行分析优化,提出了基于深度学习的特征重标定方法,该方法减小了模型体积和计算量并且基本不损失精度。并整合Show and Tell模型根据图像自动生成图像描述,将图像基本信息、图像标注关键字、图像描述存储进Elasticsearch,便于对图像进行多维度检索。本文的主要工作内容如下:(1)设计了一种基于Refine Det的基础网络优化方法。由于VGG-16网络具有模型体积大,计算量大等缺点,设计了一种能大幅减少了计算量,减少资源占用的Refine Det方法,本文使用基于强化学习得到的Mnase Net模型代替VGG-16做图像特征提取,精度平稳中略有下降,但是该方法减少了计算量,同时还减少了资源占用。(2)提出了一种基于Refine Det的特征重标定方法。在ARM与ODM引入SENet,该模型在特征通道间建立依赖的关系,通过学习权重w的方式,对通道进行不同重要性的标定,然后按照这个标定的重要性对有用的特征进行提升同时抑制无太多用处的特征,进行特征重标定。通过对网络的进一步优化,计算量虽稍有增加,但相对精度的提升,这个计算量的增加却是可忽略不计的。(3)设计并实现了一个基于图像内容标注的图片管理平台。该平台能够管理海量图片,并实现图片的快速检索。该平台依赖图片内容进行分类,包括图片本身的Exif信息、经过深度学习算法模型自动标注的图片类别信息以及用户手动填写的其他图片信息。同时为了方便检索图片,将上述图片信息和借助Show and Tell模型自动生成的图像描述信息,一并存入Elasticsearch,基于Elasticsearch进行高效、快速的检索。