随着智能移动终端的普及,越来越多的旅行者选择通过网络平台发布景点照片和视频,使得相关平台数据库已经积累了海量的旅游图像资源。对于有旅行计划的人而言,若能方便地检索到这些旅游图像资源,则将为他们选择景点及做好旅游攻略提供信息。当前旅游图像资源检索技术主要有基于内容和基于文本这两类方法。基于文本的旅游图像检索是通过查询关键词找到与标注信息匹配的旅游图像资源。相比而言,基于内容的旅游图像检索能够更准确的找出用户所需的旅游图像资源,避免了词语描述偏差所导致的检索精度不高的问题。基于内容的旅游图像检索技术包括对旅游图像进行预处理、特征提取、索引构建以及重排序等技术步骤。对旅游图像进行特征提取是搭建基于内容的旅游图像检索系统的重要步骤。近年来卷积神经网络（Convolutional Neural Network,简称CNN）算法被广泛应用于图像的特征提取过程,然而将其用于旅游图像特征提取时,效果却不是很理想。首先光照强弱、拍摄方位以及干扰物遮挡使得旅游图像包含大量与目标相关度较低的特征信息,这些低相关度特征会增大神经网络模型预测的偏误;其次,为了能让神经网络更好地区分目标特征信息与低相关度特征信息,需要构建上万张图像数据集以及更深层的神经网络模型,这大大增加了网络训练的时间。为了减少低相关度特征在神经网络决策中的影响,同时降低神经网络的层数以及训练集大小,本文拟采用深度残差收缩网络（Deep Residual Shrinkage Networks,简称DRSN）算法对旅游图像进行特征提取,在保证原始特征信息不丢失的基础上减小低相关度特征的权重,同时研究其在小规模旅游图像数据集上的表现,并基于该算法搭建旅游图像检索系统。本文主要研究贡献如下:（1）提出了一种使用深度残差收缩网络（DRSN）对图像进行特征提取的方法。在残差神经网络（ResNet）基础上引入一个小型子网络,该子网络作用于每个残差模块末尾,能针对不同样本自适应的学习阈值,通过设置阈值对各通道特征值进行加权,减小低相关度特征对神经网络预测的影响,提高最终图像检索的准确率。在Cifar-10数据集上的实验表明,DRSN网络的识别准确率要比传统卷积神经网络VGG16以及相同层数的残差神经网络ResNet高出1%～6%。（2）在2000张左右的小规模旅游图像数据集上对比了 DRSN的两种策略（通道间共享阈值模型DRSN-CS与逐通道不同阈值模型DRSN-CW）的性能。实验结果表明DRSN-CW模型识别准确率比DRSN-CS模型高1%,也高于传统卷积神经网络VGG16及相同层数的残差神经网络ResNet高。同时发现DRSN网络在小规模旅游图像数据集上仍有良好表现。（3）搭建了基于内容的旅游图像检索系统。该系统由输入界面、后端逻辑接口、图像特征数据库以及深度残差收缩网络（DRSN）算法模块构成,能够实现旅游图像的特征提取、特征的索引编码以及图像检索功能。34层DRSN-CW网络模型在本检索系统中的平均查准率为75.9%,平均查全率为82.8%,性能优于其他的神经网络。综上所述,本文提出的模型能以较高的查准率与查全率完成旅游图像检索任务,在旅游图像检索领域具有较好的应用价值。