随着网络信息化的发展,语音、图像、视频等多媒体信息高速增长,针对其中含有丰富视觉信息的海量图像,如何在大规模图像库中准确、快速地检索出用户需要的图像,成为多媒体信息检索领域的研究热点。深度卷积神经网络具有很强的非线性表示能力,能够理解图像更深层次的语义信息,被广泛应用于图像识别、目标检测、物体分割等领域。本文针对图像检索问题,对当前国内外图像检索技术研究进展进行了总结,利用深度学习技术提取图像特征,并在现有基于内容的图像检索方法上进行了改进,本文的工作内容主要分为以下两个部分:(1)基于多层特征图融合的哈希图像检索方法在实际的大规模图像检索任务中,网络高层的特征损失了很多局部细节信息,导致检索结果不精准,针对这个问题,使用多层特征图融合的方法将网络中不同层的特征图谱进行融合,使得到的特征同时含有高层的抽象语义信息和低层的局部细节信息。同时,为了加快图像检索速度,使用了近似最近邻搜索策略,这是应用于大规模图像检索的一种高效的搜索策略。实验证明,相较于目前主流方法,这种基于深度学习与多层特征图融合的哈希图像检索方法具有精确度高、检索速度快等特点。(2)基于特征融合与显著性检测的图像检索方法在基于深度学习的图像检索中,提取的特征往往包含了复杂的背景噪声,导致图像检索的精确率并不高,如何提取图像的显著性特征逐渐成为研究的重点。针对该问题,提出一种特征融合与显著性检测的方法,该方法首先训练用于分类的深度卷积神经网络模型,并将图像卷积之后的特征图谱进行融合,得到图像的显著性区域,最后计算图像显著性特征的余弦距离来进行检索。实验结果证明,相比目前主流的方法,该方法能够有效提高检测精度,且鲁棒性较高。