当案件发生时,大量相关的案件图像将作为证据录入物证数据库,如何根据一幅查询图像在库中检索出高度相似的图像对办案来说具有很强的应用价值。基于内容的图像检索(CBIR)通过计算两特征向量之间的距离,从而返回相似的图像列表。然而,刑侦图像往往背景杂乱、主体目标不明确,导致提取到的图像特征质量不高,从而影响检索效果。近几年来,深度学习技术在计算机视觉领域取得了突破性进展,使用深度卷积神经网络实现表征学习,自适应地提取图像特征并执行检索任务,取得了比传统方法更好的效果。本文依托深度学习技术,对刑侦图像检索方法进行了探索,研究的主要工作有:(1)研究了图像全局特征的提取方法。引入先进成熟的VGG和Res Net网络结构作为特征提取的骨干网络,基于迁移学习的思想,导入在Image Net上预训练的模型参数,并在刑侦现勘图像数据集上进行训练和微调(fine-tune),获得适用于本数据集的特征提取网络;基于该网络,分别提取卷积层和全连接层特征,测试其在图像检索任务上的性能。针对卷积层特征维度过高且关键特征不突出的问题,引入池化技术来降低维度,同时引入通道注意力机制来突出关键通道的影响,有效提高了特征质量,使检索准确率得到了明显提升。最后,利用多层CNN特征互补的特性,分别融合卷积层特征和全连接层特征执行检索,准确率得到进一步提升。(2)针对刑侦图像背景杂乱且主体目标不突出的问题,引入Faster R-CNN目标检测与识别网络,对图像中的有效目标区域进行检测和识别,并提取目标区域特征执行检索,克服了干扰因素对检索任务的影响。在此基础上,测试了“语义-区域特征”、“全局特征-区域特征”、“语义-全局特征-区域特征”三种精细检索方案,证明了后一种方案效果更佳。(3)根据刑侦现勘图像管理与检索的实际需求,基于Web技术设计开发了“刑侦图像管理与检索系统”。利用本文的研究成果搭建图像特征提取与检索的Web API,在应用前端调用这些API实现系统的核心功能,将研究成果应用于工程实践,为民警办案提供帮助。