随着大数据信息时代的到来,加之数字存储设备和多媒体技术的飞速发展,互联网中数字图像数据呈现井喷式增长的态势。与文字信息相比,图像信息所包含的信息更加丰富,表达形式也更加形象和直观。是人类获取信息的一种重要的手段,但是随着数字化社会的不断深化,面对海量的数字图像资源,如何快速高效并且准确无误地寻找出用户所需要的数字图像数据资源就成为了一个亟待解决的问题。基于内容的图像检索主要面临以下两个问题:语义鸿沟的问题和维数灾难的问题。针对于第一个问题,深度学习,被证明了具有对特征强大的学习功能,能够从底层的数据特征通过学习,获得特征之间所隐藏的内在关系,抽象出图像的高层特征。而针对于第二个问题,哈希算法则是当前最优秀的检索算法,哈希算法通过哈希函数将图像原始的高维数据映射成为一系列二进制的编码。特征的表示不仅得到简化,并且在进行相似性度量时,还能够运用汉明算法进行快速地比较。大大地提升了检索的速率,加强了检索的实时性。本文对于现有的基于深度学习的图像检索方法进行了如下改进。在特征提取过程中,利用无标注的图像数据对栈式自编码网络进行训练,学习到了强健的图像特征的表达方式。这种无标注的学习方式不需要图像库进行标注,降低了对图像库的要求,同时,又发挥了深度学习网络的学习性强优点,获取了比其他算法更好图像特征表达。在索引结构上,通过与现有最好的索引算法哈希算法相结合,进行图像特征的对比和检索,在提高检索效率的同时,加强了检索的实时性。在此基础上,提出了二级检索,在牺牲很少检索时间的情况下,进一步增加了检索的准确性。通过仿真实验和主客观评价指标对比,验证了本文提出的算法的有效性并且具有良好的检索效果。