随着人们保护版权意识的增强,越来越多的公司开始注重对图像版权的保护,打击互联网上一些盗用图像进行创作并谋取利益的行为。目前一些互联网图片公司例如东方IC,视觉中国都有着非常庞大的图片数据库,如何从这些图片数据中找到符合用户期望的图片,或是查询库中是否存在与从其他渠道获得的非常相近的图片是一个比较困难的问题,也是一个有实用意义的研究点。该问题需要用到基于图像的图像检索技术,或称以图搜图技术,区别于传统文字搜图,以图搜图允许用户输入图像进行在线查找相似的图片,目前该技术已经得到了广泛应用例如谷歌识图技术。本文研究的重点放在面向侵权监测的图像精确检索,即查找对源图进行加工过的图像,是以图搜图的一个子课题。本文以提高图像精确检索的准确率和速度为出发点,提出了两种图像精确检索算法。为了解决基于SIFT视觉词汇的图像精确检索面临的特征点错匹配问题,我们提出了SIFT视觉词汇加卷积神经网络（CNN）局部二值特征的精确匹配算法,该算法用局部CNN二值特征代替传统手工提取的邻域信息特征,有效改善了邻域特征对图像变化敏感的问题。该算法从度量学习和哈希学习两个方面对特征提取进行了阐述,并将提取的二值特征和倒排索引系统相结合进行检索,该算法在速度和准确率上较常用精确检索算法都有所提升。从实用角度出发,为了解决局部特征在处理大规模数据时速度较慢,无法满足实际需求的问题,本文还提出了一种基于CNN全局特征和局部特征匹配的精确检索方法,利用全局特征进行图像的粗检索,筛选掉大量不相关图像,将局部特征匹配这一复杂操作限定在规模较小的部分图片。我们使用一系列特征压缩和量化方法使得检索速度大幅提高,接近实用水平。在这过程中,我们也设计了各种算法解决精确匹配时同一场景图片与侵权图片难区分问题、水印误匹配问题、以及拼接图像召回率低等问题,使得检索系统更加稳健。