实例检索是指基于给定的具体查询实例,在大规模数据库中检索出包含这一查询实例的图像,并提供实例位置坐标。实例检索被广泛应用于在线购物,视频编辑等现实场景中。当前基于深度特征的实例检索方法面对的主要挑战是:深度神经网络的训练对强监督信息过于依赖,限制了检索任务无法向大规模数据集拓展,同时难以检测未知实例。另一方面,基于弱监督的目标检测算法仅依靠图像类别标签训练网络,实现了目标定位和特征表达。这与实例检索任务同时定位实例并提取高判别性特征的要求十分契合。因此,研究基于弱监督特征表示的实例检索方法具有重要实际意义。基于上述分析,本文提出以下两个实例检索算法:首先,现有的实例检索方法依赖强监督信息实现实例定位,且特征判别性不足。同时,受注意力机制强大的特征表达能力的启发。本文提出一种基于多通道注意力区域扩展的实例表示算法用于实例检索。具体来说,该算法利用弱监督信息进行网络训练,引入多通道注意力区域扩展模块,使得检测器适用于多实例定位。同时加入多分支联合训练,丰富中间层的特征信息,结合注意力机制增强特征的判别能力。实验表明,本文所提方法在多个实例检索数据集上都取得了较好的结果。其次,考虑现实场景中待检索的实例多种多样,基于强监督信息的实例检索算法无法实现对未知类别实例的定位与检索。本文提出一种基于弱监督目标定位的实例表示算法用于实例检索。具体来说,该算法利用浅层特征图的边缘信息,固定特定网络层的参数,并结合弱监督目标检测算法,在定位实例时保留对未知类别实例的敏感度。此外,为增强特征判别力,算法引入目标感知权重,缓解了从矩形区域提取特征可能引入背景干扰的问题。通过实验验证,表明本文所提方法在现有的多个实例检索数据集上都取得了令人满意的结果。