随着互联网和多媒体技术的不断发展,人们所接触的数字图像呈海量增长,如何从中提取有用的图像成为一个亟需解决的难题。一直以来,常用的图像检索方式都是基于文本的检索,即通过匹配关键字的方式进行检索。然而,随着图像数量不断增多,基于文本的图像检索方法呈现出难以解决的弊端。与之相对,基于内容的图像检索技术是通过系统自动对图像本身内容进行分析理解,并提取图像的视觉特征来实现图像检索。这些视觉特征包括颜色、纹理、形状和关键点等等。然而,人们所设计出的特征描述子不具备一般性、通用性,一种描述子针对特定对象具有很强的表达能力,但用于描述其他对象时效果可能不佳。为了解决这个难题,本文提出使用深度学习技术来提取图像特征,试图获得一种具有鲁棒性的特征提取方式,主要工作如下：(1)研究了基于内容图像检索的关键技术,分析比较了这些经典技术的优缺点；研究了深度学习若干关键技术,掌握深度学习的网络构造、训练算法和优化方法。(2) 构造了一个栈式自编码神经网络模型,提出了基于自编码神经网络的学习算法和特征提取方法；设计了基于特征学习的图像检索系统,通过实验结果验证了该网络模型的有效性。(3)构造了由不同卷积层网络组成的卷积神经网络模型,提出了基于深度卷积神经网络的学习算法和特征提取方法；设计了基于深度卷积特征的图像检索系统,大量的实验结果验证了该模型的有效性。本文希望通过构建深度神经网络对图像数据自主学习,获取有用特征,并将其应用于图像检索系统中。