随着电子商务、社交网络的流行,图像等多媒体数据在互联网络中以惊人的速度增长。从海量图像数据中准确的寻找资源依托于图像检索技术。传统的图像检索技术主要依靠手工特征,而手工特征在表达图像高层语义上具有局限性。随着深度学习的兴起,越来越多研究者将目光投向这种能更好表达高层语义的特殊模型。本文立足于深度学习,主要研究图像检索中特征提取和特征哈希化两类问题。对前者的研究致力于寻找有效提升特征表达能力的方法,对后者的研究致力于生成高效且蕴含语义的哈希码。主要内容如下:第一,研究卷积神经网络单层特征。本文发掘了多种提升单层特征表达能力的方法。网络微调和降维能有效提升全连接层特征。特征聚合能有效提升卷积层特征。本文提出的聚合方法使得卷积层特征在检索效果上可以超越全连接层特征。第二,构建基于卷积神经网络的融合特征。本文设计了两类特征融合方案以突破单层特征的能力限制。一是全连接层特征融合,该方案通过调整权重对多个全连接层特征进行加权融合。二是卷积层特征融合,该方案设计了一个网络级的融合模型,具有高效的特征提取支路和局部连接的融合层,融合效果优异。第三,构建基于深度学习的图像哈希模型。本文首先实现了基于栈式自编码神经网络的图像哈希模型并分析了模型在语义和效率上的缺陷。为克服缺陷,本文提出了一种基于卷积神经网络的图像哈希模型并通过实验验证模型的有效性。第四,优化基于深度学习的图像哈希模型。本文针对卷积神经网络模型信息利用不充分以及哈希码未受到规则限制等问题提出了相应的解决方案。利用新增分流连接和改进损失函数等方案优化了神经网络的结构,最终验证了改进前后网络哈希效果的提升。