随着大数据技术的快速发展和网络在日常生活中的广泛应用,信息搜索在网络发展中的作用越来越突出。图像检索技术作为信息处理和人工智能领域的热点问题,图像检索技术越来越受到研究人员的高度重视。目前流行的检索方法主要是基于内容的图像检索方法,即从图像的底层视觉特征出发,利用图像的内容特点进行图像检索。近年来,随着卷积神经网络在计算机视觉领域的成功应用,结构更加完善的胶囊网络应运而生。本文从底层视觉特征和胶囊网络两个方面对图像检索技术进行了研究,主要工作包括:(1)提出一种基于特征点匹配的两阶段图像检索算法:首先,将图像从RGB空间转换到HSV空间,获得图像的颜色直方图特征。然后,根据样例图像的颜色特征,在整个图像库中搜索相似图像得到初选图像集,该图像集中的图像与样例图像在颜色特征上相近。其次,首先将原始图像转换为灰度图像,再利用sym5小波函数对灰度图像进行去噪处理,然后利用图像小波变换域中的低频信息对灰度图像进行重构,在重构图像中提取SIFT特征点,通过样例图像与初选图像集中每一张图像之间的特征点匹配,从初选图像集中搜索到与原始图像更相似的图像。最后,在ZuBuD和UKBench数据集上进行了实验测试,实验结果验证了本文算法的有效性。(2)提出一种基于胶囊网络的图像检索算法:首先,结合ResNet和DenseNet网络中跳跃性连接的思想,构建了一个由多个全连接模块堆叠而成的跳跃性连接的胶囊网络。然后,将网络的最后一层所获得的参数作为图像的特征,预测出样例图像所在类,计算出样例图像与所在类中每一张图像特征的距离相似度,按距离相似度进行检索排序,实现了通过图像分类来优化图像检索的性能。最后,选用CIFAR-10数据集在Keras深度学习框架上进行了实验,并对由多个微调网络模型构成的集成网络模型进行了效果验证,实验表明,以胶囊网络作为特征提取器可以有效提升图像特征的表达能力,搜索效果更佳。