在互联网大数据时代中,相对于文字来说,图像包含丰富的内容信息且具有更加直观的表达方式,使得图像逐渐成为大数据中不可缺少的一部分。但是图像数据相对于文本和音频数据更加庞大复杂。因此如何让计算机更加有效的组织和利用这些图像数据成为当下的一个研究热点。目前,借助于硬件设备的发展和大数据的出现,卷积神经网络在计算机视觉领域的各个应用中取得了巨大的成功。与人工设计的传统视觉特征相比,基于学习的卷积神经网络能够从大数据中自动学习到视觉特征,并且可以针对不同的应用从训练数据中学习更加具有针对性的特征表示。虽然早期的计算机视觉算法受限于人工设计的视觉特征,但是其中仍有一些对特征使用的思想值得借鉴。另外,图像通常是由多个对象所构成,对这些对象的分析往往是理解图像信息的关键。因此本文通过结合深度学习和人工特征中融合的思想,提出两个基于对象的深度特征融合算法以生成特定的图像特征表示,分别用于基于内容的图像检索和细粒度分类应用。本文首先提出一种基于对象的深度特征聚合方法,它通过融合编码图像中潜在对象的深度特征来表示图像。该方法能够生成对图像几何变换和对象空间布局变化具有高鲁棒性的图像表示,适用于基于内容的图像检索应用。然后,本文提出另一种基于对象的深度特征聚合方法,它在只用类别标签的条件下对多尺度的对象部件进行筛选和融合,以生成具有高区分性且能够辨别细微区别的图像表示。该图像表示的特点则适用于细粒度分类任务。最后,本文在一系列基准数据集上通过与最先进方法的对比实验验证了本文提出的两个方法在各自领域中的有效性。