随着移动互联网的发展，智能手机的普及，信息的获取和分享变得越来越便捷。为了便于人们在手机等资源受限设备上快速获取感兴趣的图像数据，研发在资源受限环境下的图像检索系统尤为迫切。图像特征提取是图像检索系统中的关键模块，基于神经网络模型的图像特征提取是最为有效的方法，但神经网络图像特征提取方法中存在特征表示冗余、特征提取时间长等问题。本文主要关注资源受限环境下，基于神经网络模型提取图像特征的加速关键技术研究。论文选题基于当前大规模图像检索的需求以及移动互联的发展需求出发，结合安全可靠桌面计算机操作系统研发项目中关于图像处理软件支持的实际需求，另一方面可以加快人工智能在工业生产和生活中的应用，选题具有良好的研究价值与实用价值。　　本文的主要研究内容包括:　　分析当前基于神经网络的模型的性能瓶颈，提出总体设计方案。通过深度神经网络提取的特征是当前图像表示中最为有效的方法。本文通过分析与实验相结合的方法，从计算时间与模型大小等方面对多个神经网络模型进行理论分析，实验结果表明，神经网络模型具有参数多，计算时间长的特点;其中卷积层是最耗时模块，其次是归一化层和全连接层，而深度哈希层对于性能影响较小。因此，深度神经网络模型中卷积层性能是整个模型的性能瓶颈。　　应用滤波组合卷积方法加速图像特征提取过程。针对当前神经网络模型中计算耗时关键模块——卷积层，利用通道滤波组合方式替代卷积过程，从理论分析与实验验证的角度加速卷积神经网络模型。并在公开数据集合，不同的图像应用上进行有效性评估。结果表明，滤波组合卷积方法可以有效减少模型规模，减少算法对存储空间的依赖，时间性能上优于原始神经网络模型。　　应用浮点计算二值化加速神经网络模型。浮点计算二值化可以实现神经网络模型的进一步加速与压缩。本文对二值化网络设计中关键问题进行探讨，并设计可导的二值操作算子实现二值神经网络训练。为了证明方法的有效性，在公开数据集合上进行图像分类和物体检测的测试，实验表明二值神经网络在物体分类任务中具有很好的加速和压缩效果，但在较复杂任务中存在准确率损失等问题。　　实现基于加速图像哈希特征提取算法的图像检索系统。该系统基于加速的图像哈希特征提取算法，实现图像近似查找的功能。该系统可应用于具有类似查找功能的显示场景中，如照片空间整理，相似人物查找等。