随着互联网中图像数据量的快速增长,图像检索的难度进一步提升,这也对图像检索方法的效果提出了更大的挑战。相较于目前主流的基于文字或示例图像的检索方法,由于手绘草图更优的直观性,基于草图的检索方法在图像检索、尤其是在细粒度图像检索中同样具有很强的实际应用价值。手绘草图仅由轮廓线条构成,缺失颜色、纹理等细节信息,和图像在特征分布上呈现出较大的差别,因此草图检索是一个典型的跨域检索问题。本文以草图检索问题作为切入点,主要研究不同域的公共子空间中域不变特征的提取问题。其次是草图检索在大规模图像数据集下的检索效率问题,数据量的快速增长让图像检索面临着存储空间和计算速度等问题。为解决草图检索中的跨域问题,本文设计了一个对抗网络模型,通过分类子网络和域对抗子网络的分步训练来保证输出特征的域间相关性和域内判别性。另外还通过实验对比了不同分支网络模型对检索精度的影响。此外,为解决大规模草图检索问题,在对抗网络模型的基础上,设计了深度哈希模型。通过将相关性学习和哈希学习阶段结合,实现了端到端的哈希网络,使得模型在计算效率方面得到了提升,最终通过多项实验验证了深度哈希模型的检索效果。最终基于上述算法开发了草图检索系统,用于直观地展示算法在检索效率和准确度方面的提升。同时利用该系统对草图数据和绘制笔画顺序等信息做更为全面的收集,以方便进一步的研究。