图像检索是指根据输入的查询图像在数据库中找到与之相似的图像。图像检索应用前景巨大,在生产生活中应用潜力巨大,可应用于以图搜图、自动驾驶场景感知、医疗影像辅助诊断等实用技术中。因此,研究目标检测有利于推动这项技术实用化和迭代更新。随着深度学习方法的发展,基于深度学习的图像检索算法逐渐成为图像检索的主流方法。基于卷积神经网络的图像检索通常是一种度量学习问题,通过学习使得模型能够在某种度量方法下,让同类图像距离小于非同类图像间的距离,从而使得模型能够正确检索到同类图像。图像检索任务的核心在于学习特征映射模型,模型起到提取图像特征并映射这些特征至高位特征空间的功能。首先,受到基于随机标签重分配度量学习方法的启发,本文为了提升集成模型训练和推理效率、增强训练稳定性,提出使用由公共特征提取器和多学习分支组成的集成模型替代原有的多网络集成模型。通过给每个学习分支赋予独立的标签重分配操作,原始类别标签被随机重新标记为超类标签,在这个学习分支中,所有样本使用超级类别标签进行训练,并且每个原始类别拥有唯一超级类别标签码以对应多个学习分支。其次,本文分析随机标签重分配度量学习的原理,并证明了随机标签重分配可以有效地让各个原始类别获得重复率足够低的超类标签码。同时,为了使超类标签码具有较低的重复率,本文对标签重分配进行了复检操作以降低超类标签码的重复率,并在实验中获得了更为出色的图像检索结果。为了专注于跨类别的属性特征并让模型更好地学习映射特征向量,本文还提出了一种利用K均值聚类产生的子集针对性地训练集成模型各分支的方法,让集成模型更加专注于类间差异。然后为了更好地应对局部最优问题,本文还提出了一种分支权重结构,减轻了集成模型分支局部最优问题。最后,本文还设计了一个新颖的卷积神经网络,目的是减少参数并提高多尺度特征提取性能。基于以上本文提出的主干网络、训练方法及功能结构的集成模型在CUB-200-2011和CARS-196数据集上取得了更为优异的检索结果,检索召回率超过了目前已公开的检索算法。本文在图像检索集成模型的基础上,通过分析图像检索系统功能需求设计了一个集图像标记、数据集构建、模型训练、图像检索和交互界面的图像检索系统,并通过代码实现了相应功能。