遥感图像检索是图像检索的重要领域,也是计算机理解图像的重要应用,可用于地标检索、环境监测、城市规划、灾害管理等。为了充分利用遥感图像,迫切需要有效的信息管理,挖掘和解释方法。自ImageNet图像分类大赛2012年的冠军AlexNet诞生以来,以卷积神经网络(Convolutional Neural Network,CNN)为主的新一代基于内容的遥感图像检索技术也大幅度提高了检索任务的准确率,其中有代表性的工作如R-MAC、VLAD-CNN、Neural Codes、Deep Retrieval等。受制于现实世界中获取标注数据的巨大成本,一些新兴的研究领域也逐渐被提出:计算机视觉中的小样本学习,当属最有希望解决这个问题的理论方向。与此同时,在遥感图像检索的现实应用中正好存在大量的无标注图像。因而,本文致力于研究遥感图像检索领域中的小样本学习问题。本文的研究目标即是:如何充分利用库内已有的历史遥感图片,只借助新类别图像中的少量样本标签信息,从而在极少的人工标注下添加新的检索类别,实现有效的新任务检索,并尽量不影响旧类别的检索效果。在此同时,还需要考虑模型的计算成本,避免大开销的额外模型训练成本和图像特征抽取成本。目前,图像领域中的小样本学习方法均基于图像分类任务,其中有代表性的工作有原型网络、匹配网络、模型无关元学习算法等,而专门用于图像检索领域的小样本学习的相关研究实在太少。由于图像检索问题和分类问题存在差异性,直接将基于图像分类任务的小样本学习方法运用到图像检索面临诸多问题:1、图像检索任务的常用指标mAP(mean Average Precision)对神经网络不可微;2、图像检索任务中新样本需要在整个数据库中检索,检索效果受到其他样本的影响;3、小样本学习更新后的新模型需要重新对数据库中的所有图像做额外的特征抽取。本文致力于解决上述问题,提出了一种小样本条件下的图像检索方法:基于模型无关元学习的小样本图像检索方法。为了解决图像标注成本高、模型重新训练成本大的问题,针对小样本检索场景的特点,在模型无关元学习的框架基础上,具体结合了基于深度残差网络ResNet和广义均值描述符GeM的图像特征提取方法。由于检索问题的优化目标mAP不可微,我们采用了基于分桶的mAP优化算法来对整个小样本检索模型进行端到端的训练。本文的主要贡献是:1.现有的小样本图像检索工作较少,对问题定义有很大局限性,我们在其基础上重新形式化地定义了小样本图像检索问题。2.我们首次将模型无关元学习算法框架运用到小样本检索问题中,通过结合深度残差网络ResNet和广义均值描述符GeM,并采用直接优化检索效果指标mAP的优化算法,提出了基于模型无关元学习的小样本检索算法。3.在多个遥感图像数据集上验证了我们提出的小样本检索算法在检索效果上的有效性和模型训练上的高效性。