当今时代,随着电子设备和社交应用的快速发展,各种数据信息爆炸式增长。如何从含有大量视觉信息的海量图像数据中,快速且精准地检索出用户所感兴趣的图像,是图像检索需要实现的重点。在电子商务领域,淘宝等电子商务平台允许用户根据上传的图片检索相似商品。此外,著名搜索引擎谷歌、百度等公司也为用户提供专门的图像检索产品。随着深度学习在诸多计算机视觉研究领域的成功应用,图像检索研究也更关注基于深度学习的方法,尤其是深度卷积神经网络(CNN)。由于CNN抽取的特征的通用性,可利用深度特征进行后续任务。目前许多采用监督学习的基于深度特征的检索方法已取得了很好的效果,但仍需标注大量数据,检索效果严重依赖数据集质量,可扩展性不强。针对上述问题,可看出以无监督的方式实现图像检索十分具有潜力。本文提出了两种无监督学习下的基于深度特征的图像检索方法:1.基于掩膜的累加显著特征的无监督图像检索。无需微调CNN,只利用在预训练的CNN作为固定的特征提取器。特征图中每个通道的所有特征并不都有助于检索;同时,并非特征图的所有通道都有助于检索,本文对各通道使用掩膜得到的显著特征累加后排序选取代表性通道以实现检索。该方法对于包含复杂背景的图像的检索效果提升尤为明显。2.基于生成对抗网络(GAN)的无监督图像检索。需要对网络进行训练,将GAN的输入噪声变量限制为二进制并且以每个输入图像的特征为条件,学习每个图像的二进制表示,同时生成与原始图像相似的合成图像。通过将生成的图像输入判别器进行验证,并且引入自注意力层和Wassertein距离优化模型,学习图像的哈希码以实现检索。