古籍汉字字形结构复杂,数量大,存在大量异体字、形近字以及由于书写风格不同造成的书写变体字,给实现古籍汉字图像检索增加了难度。现有图像检索技术应用于古籍汉字图像时效果欠佳,针对古籍汉字特点,研究适用于古籍汉字的图像检索技术,为古籍文献和古籍汉字研究人员的研究工作提供有效的辅助工具,有助于提升古籍汉字研究的效率。面向古籍汉字研究人员的实际需求,在对古籍汉字字形特点进行分析归纳的基础上,将卷积神经网络引入古籍汉字图像检索研究中,构建古籍汉字图像特征提取网络和检索模型,主要内容如下:1.设计基于改进VGG-16的古籍汉字图像特征提取网络ACCINetVGG-16网络模型在提取古籍汉字图像特征时,过分关注像素分布、笔画粗细等次要特征而忽略了字形结构等主要特征,针对这一问题,在古籍汉字图像数据集上对其网络结构进行调整,并使用可变形卷积提升特征提取网络的几何形变适应能力,使其能够更精准地提取古籍汉字图像特征。实验结果表明,ACCINet模型对古籍汉字图像具有更强的适应性,能够提取更加准确的古籍汉字图像特征。2.提出面向古籍汉字图像特征哈希化的ACCIHNet模型通过使用分段编码层、激活层和二值编码层组成的哈希层代替ACCINet模型的全连接层,实现对古籍汉字图像特征的哈希化。分段编码层与上一层实现部分连接,每个子段独立生成一位哈希码,降低了各位哈希码之间的相关性,进而减少了哈希码中的冗余信息,使哈希码变得更加简洁高效。此外,使用分段连接代替全连接层也极大程度地减少了需要训练的参数数量,降低了过拟合风险。实验结果表明,ACCIHNet模型能够生成简洁高效的古籍汉字图像哈希码。3.设计古籍汉字图像分层检索算法针对高维深度特征检索精度高但检索用时长,而哈希码检索速度快检索精度却相对较低的问题,提出一种由粗到细的分层检索方法,在执行古籍汉字图像检索时,首先使用ACCIHNet模型提供的二进制哈希码进行粗粒度检索,以初步确定一些具有相似特征的图像候选池,然后使用ACCINet模型的全连接层降维特征进行细粒度检索以进一步获取图像候选池中相似度更高的图像。实验结果表明,该方法在缩短平均检索用时的同时,保证了检索精度。