传统的图像检索是利用图像的文本信息对其描述,然后通过文本去查找对应的图像,在人工智能和机器视觉的快速发展下,基于内容的图像检索技术(Content-based Image Retrieval,CBIR)也越来越重要,它是利用图像的纹理、颜色等特征对图像进行分析和信息提取。而把图像检索技术应用在医学卫生方面的研究成为当下主流的热点,将图像检索技术应用在医学方面可以帮助医生进行辅助诊断治疗有重要的意义。但基于内容的医学图像检索(Content-based Medical Image Retrieval CBMIR)算法存在很多问题,其中最主要的问题是特征提取的不足,导致图像的语义信息表达不完善,缺乏基于数据的学习能力,同时图像表达的特征维度较高,影响了图像检索的性能。针对上述基于内容的图像检索问题,利用深度学习技术,本文进行基于深度学习的肺结节图像检索算法研究,主要从以下几个方面:(1)数据是实验的根本,本文采用的是kaggle算法设计大赛公布的标准数据集Luna2016,包括888个病例1186个结节。(2)针对肺结节图像特征提取不足和图像语义信息表达不完善的缺点,本文提出多尺度密集网络算法(Multi-scale Dense Network MDN),解决了提取的低层特征和高层语义特征之间的差距。由于网络的不同层提取的肺结节图像信息不同,为了提高检索精度,本文将不同层的信息通过多尺度网络结构进行结合,尽可能的减少了图像特征信息的丢失。与其他方法进行对比,提出的方法在64位哈希码长度下,肺结节图像检索平均精度可以达到91.17%,检索结果既表达了图像丰富的语义特征,又提高检索精度。(3)针对肺结节图像检索性能低和精准度的问题,本文提出了全卷积密集网络算法,结合了图像的全局特征和结节局部特征生成检索哈希码,生成哈希码的同时尽可能的检索信息丢失,实验证明,本文提出的算法提高了检索效率,为医生辅助诊断提供帮助。