近年来,触屏设备和手写设备的广泛普及,以及表情包的流行,使得人们开始尝试用手绘草图来替代文字或语言进行抽象表达。在绘制草图的过程中,人们可以很轻松地表达头脑里浮现的任何事物和想法,然后通过绘制的草图在现用图像数据库中寻找到与之匹配相似的图像内容。这种利用手绘草图来表达想法的方式符合人类最原始的感知方式。并且,不同知识文化水平、不同绘画水准或不同年龄段的人都可以利用这种方式来表述所见到的自然图像。因此,国内外都有不少的机构和学者在基于手绘草图检索自然图像的技术上重点关注并投入大量研究。当前手绘草图的研究大多都是基于手工特征,包括二值特征以及自然图像特征等;再使用中级特征编码的方式来合成最终的手绘草图的特征表示,进而以用于手绘草图检索。然而手绘草图具有极大的抽象性,不同的人绘制的同一目标物体具有很大的外观视觉差别,这导致基于传统手工特征表示的手绘图检索自然图像效果过分依赖于手绘图线条的绘制水平。因此,基于传统手工特征的检索系统的性能一般,鲁棒性较差,很难做到实用水平。在本文中,我们显示深度卷积神经网络(DCNN)也适合跨域图像识别,即使用手绘草图作为查询来检索大型数据集中的自然图像。为了解决这种跨域问题,我们提出一种新颖的联合图像数据和草图数据训练CNN的方式,进而学习得到深度草图特征(DSF)。这种深度草图特征对于手绘图检索自然图像的任务非常有效,我们仅仅在这种深度草图特征上使用简单的欧几里得距离就可以获得优于其它技术的领先水平。此外,我们发现,在标准的手绘草图识别基准中,用预训练和数据增强的方式训练DCNN,可以获得远超人类表现的手绘草图分类水平。