近年来,计算机技术日新月异的发展使得图像数据井喷式增长,所以计算机视觉图像处理方向成为了众多研究者的关注领域,而图像检索技术作为图像处理的基础领域成为了热门研究方向之一。伴随着深度卷积神经网络的出现,基于内容的实例图像检索有了极速的发展,如何快且准地从繁杂的图像数据库中检索出人们需求的图像的问题急需被解决。基于卷积神经网络的实例图像检索主要思想是提取图像的特征,然后测量这些特征的相似度得到最后的检索结果。为了提升检索的精确率,通常使用查询扩展,重排序等方法作为补充。其中,深度卷积神经网络在图像检索领域进行了广泛的应用,利用卷积神经网络进行图像检索成为热门的技术。但由于卷积神经网络得到的三维卷积特征在计算相似性的时候很难被使用,在进行相似性检索时通常需要把三维的卷积特征聚合成一维的特征,而在这个过程中避免不了卷积特征的损耗,如何设计更好的卷积特征聚合方法使得获得的一维特征更能表示图像所包含的信息成为研究的重点。本文利用卷积神经网络和特征聚合对实例图像检索方法进行了深入的研究,主要的工作内容如下:1.本文使用预训练的VGG16来提取图像的特征,网络没有重新训练并达到了很好的效果。2.对于深度卷积神经网络得到的三维卷积特征图,本文首先从全局特征方面考虑特征聚合。本文针对传统的R-MAC聚合方法只考虑每个尺度中贡献较大的局部信息,提出基于Lp范数改进的特征聚合算法Generalized R-MAC（GRMAC）。文章利用在每个尺度内融合最大特征值和平均特征值,极大的减小了尺度区域内信息的丢失,更利于获取卷积特征的全局信息。3.另一方面,文章从更利于检索的显著性特征方面考虑到三维特征的聚合。针对传统特征聚合算法没有考虑特征通道间的相关性和重要性以及显著性问题,提出了一种基于显著性加权的卷积特征聚合算法,包含方差通道选择和非参数显著性算法加权,它更关注目标区域的卷积特征。将其与提出的Generalized RMAC融合后,更有利于获得更好的全局特征来形成最终的图像描述子。4.本文在多个经典的实例图像检索数据集上进行了验证。实验结果表明,本文提出的两个特征聚合算法都能对实例检索起到促进的作用,将两个算法相融合能达到更好的检索效果。与先前经典的特征聚合算法相比,本文的聚合算法显著地提高了检索的准确率,在Oxford5k数据集上达到了79.87%,在Paris6k数据集上达到了89.55%,在Holidays数据集上达到了91.51%。