“十四五”规划纲要指出:加快数字化发展,打造数字经济新优势,建设数字中国。数字化必将深刻引领社会变革,数字化落地是当代科研工作者将理论与现实结合的重大使命。全面数字化的实现需要强大的算力中枢和优良的算法系统。图像检索领域的研究是数字化社会的重要内容。如何快速且准确的在海量图像中检索出所需图像是一项具有挑战性的任务,本文在传统图像检索的基础上加以改进,对其经典算法进行深入改良,结合深度学习技术在提取深度语义特征方面的优势,研究出一种以深度学习框架为基础的能够快速处理海量数据的图像检索算法,主要工作内容及创新如下:1、鉴于深度学习在提取深度语义特征方面强大的能力,本文以Inception-v3模块为核心加入双线性注意力机制构造深度神经网络,同时为了处理有数据缺陷的规模数据和更深入提取图像特征,本文借鉴生成对抗网络的架构,搭建对抗数据增强模块,以增强主干网络特征提取能力。在CUB-200-2011、Stanford Cars、FGVC Aircraft三个细粒度图像数据集上进行对比试验,证明本文方法对细粒度图像的可区别性特征的提取性能更好,从而为检索的精确度打下良好的基础。2、在索引构建方面,本文采用基于深度神经网络的哈希算法,并且和特征提取网络是级联关系,有助于整体模型的训练。本文引入哈希中心的概念并提出一种全新的中心相似性度量方法,用于快速生成优质的二进制哈希码,并提出中心量化损失函数用于训练模型的收敛性。分别以Res Net50和本文特征提取网络为主干网,以CNNH、DNNH、DHN、Hash Net和中心相似度量哈希为哈希码学习层,以Image Net、MS COCO、PASCAL VOC、Veg Fru、Food101为实验数据集进行多组交叉实验,最终证明本文的特征提取主干网和中心相似度量哈希组合的检索框架明显在三组指标上优于其他组合,具有精度高、检索速度快且易训练的三重优良特质。3、本文在此检索算法的基础上利用Java、C++在windows和Centos平台开发中考理化实验图像关键帧检索系统,验证本算法的可行性。