随着大数据和人工智能时代的到来,图像数据开始呈爆炸式增长,对海量数据的高效检索成为现代社会的迫切需求。基于内容的图像检索技术可起到关键性作用,而直接利用从卷积神经网络中提取的深度特征,虽然能够对图像内容进行抽象描述,却存在查找性能不高、对局部细节刻画不够突出的问题。针对上述问题,本文重点探讨了如何利用深度学习算法,实现对图像的高效查找和对感兴趣内容的细节表征,从相似图像检索和实例级图像检索两个方面进行研究,具体研究内容如下:首先,针对相似图像检索方法的性能优化问题,通过softsign激活函数的改进,以及面向图像对的损失函数和学习策略的设计,实现对基于图像对的深度监督哈希算法的研究和设计,使得相似图像能够被高效地编码成相似的哈希二进制码。实验结果显示,与其他几种方法相比,该方法对相似图像的查找精度更高。其次,在实例级图像检索上针对特定目标、结构和场景的细节描述问题,首先利用类激活图获得具有语义信息的显著性图,然后通过对基于显著性图的空间加权和通道加权,提取能够表达感兴趣细节内容的深度特征,使得感兴趣区域更加显著,便于实例级图像的检索。对比实验表明,该方法对图像局部细节的刻画更为突出,能够获得更好的检索结果。最后,在上述研究工作基础之上,设计并开发了一种图像检索软件,能够更快更好地完成图像查询工作,实现对图像检索的可视化操作和显示。本文研究利用深度学习算法获得图像的深度特征,实现对相似图像的高效查找,以及对图像局部感兴趣细节特征的提取,为海量图像数据实现准确、快速的检索提供了方法。