随着“5G”通讯时代的快速推进,大量图像资源充斥于各类网络平台中,从而对图像检索效率和精度提出了更高的要求。如何针对大规模数据集提出一种模型适应性强、应用范围广的图像检索算法,已成为目前大幅提升图像检索效率与准确度的关键技术问题。因此,本文以图像检索系统为研究对象,展开基于增量学习的图像检索算法研究,旨在解决制约图像检索效率和精度提升的瓶颈问题,论文主要研究内容如下:提出了一种基于空洞卷积与深度散列的增量图像检索方法,首先在卷积神经网络的最后一层平均池化层后采用多尺度的空洞卷积,然后整合提取到的图像特征并学习深度散列函数用来生成散列码,增量散列码学习部分直接使用散列函数学习,最后使用增量散列损失函数来保持查询图像和数据集图像之间的相似性,原始数据集图像散列码在整个训练过程中保持不变。实验结果表明,该算法模型能够在增量图像检索中表现出较好的性能,说明该算法能够解决图像数量剧增导致检索模型重新训练效率低的问题。提出了一种融入高阶注意力的增量图像检索算法,在基准网络中引入高阶注意力机制,将深层网络提取的特征图中各部分的高阶信息建模使之产生相互作用关系,使网络侧重于关注图像的关键对象信息。使用增量损失函数保持原始图像与查询图像之间训练点的相似性,在优化的过程中得到增量图像的散列码。在CIFAR-10和NUS-WIDE数据集上的大量实验结果表明,融入高阶注意力的增量图像检索算法与现有方法相比,实现了应对大规模数据集时不用重新训练模型就能得到高效率和高精度的图像检索。