图像检索是人工智能领域的研究热点之一。图像特征提取和描述是图像检索的关键技术。图像检索技术主要包括基于文本的图像检索和基于内容的图像检索。基于文本的图像检索技术已完全不符合时代需求,而基于内容的图像检索技术虽然能够较好地表达颜色、纹理、形状、局部特征和空间信息等视觉内容,但无法表达图像的语义特征,从而约束了该技术的进一步发展。近年来,卷积神经网络在图像分类、目标识别和语义分割等领域取得了举世瞩目的成绩。在卷积神经网络中,全连接层是一种类似于标签功能的深度语义特征,它在表达图像语义方面具有明显的优势。因此,本文提出了一种基于低级视觉和深度语义相结合的图像检索方法,以便于增强图像特征的表达能力和提升图像检索的性能,该方法的主要研究内容如下:1.提出了一种基元加权方案来提取图像的低级视觉特征。该方案首先将图像由RGB颜色空间转换到HSV颜色空间,并计算颜色、边缘方向、边缘梯度和灰度视觉特征图;然后使用六种纹理基元图案对视觉特征图上的像素差异变化信息进行加权;最后采用平均权值来描述图像特征。基元加权方案不仅能描述图像上的所有区域,而且考虑了六种不同的像素差异变化,能够提取丰富的局部结构信息。2.尽管基元加权方案具有上述优点,但它仍属于低级视觉特征提取方法,无法表达图像的语义信息。为了克服该局限性,本文利用三个经典的卷积神经网络(Alexnet、VGG16和GoogleNet)来提取深度语义特征,并对不同网络的特征进行比较,最终选择VGG16的FC7特征与基元加权方案提取的低级视觉特征进行融合。实验结果表明,融合后的特征不仅增强了深度语义特征的表达能力,而且弥补了基元加权方案无法描述语义的缺陷。3.提出了一种新颖的多阶段相似性匹配方法。它首先对第一次返回的图像进行二次查询操作,然后通过对两次返回的结果进行比较,最终可以在第一次返回的结果中,确定尽可能多的相似图像。实验结果表明,通过多阶段相似性匹配,基于基元加权方案的图像检索方法比基于纹理基元的图像检索方法具有更高的检索性能。并且,将深度语义特征融入到基元加权方案后,融合特征不仅超越了基元加权方案提取的低级视觉特征,而且在深度语义特征上也具有较大的提升。