手机等移动设备的普及以及购物网站、社交网络的兴起,随之而来的是互联网上的图像以爆炸性的方式增长。如何从海量图像中检索出相关信息,一直是图像检索领域研究的热点问题,而特征选取的好坏则很大程度上影响到图像检索的性能。深度学习通过逐层提取特征,已经在图像分类等计算机视觉方面取得了较好效果。论文尝试将分类模型得到的特征用于图像检索领域,做了以下工作:首先,对深层神经网络的基本结构和学习方法进行了研究,了解了卷积神经网络各个隐含层的作用,然后具体分析了LeNet和AlexNet网络模型,同时对当前主流的深度学习框架进行了研究。其次,利用迁移学习思想对神经网络模型Fine-tune,使得新的数据集能够利用在其它数据集上训练好的模型。通过对模型训练过程的分析,证实Fine-tune的模型在准确率和训练时间上都要优于直接训练的模型。通过对Fine-tune的模型提取的特征和其它特征的实验对比,证实利用分类模型得到的特征依然具有较好的检索性能。最后,为了构建高效的图像检索索引系统,首先对模型提取的特征利用PCA降维,并通过实验证实降维后的特征具有更好的检索性能;然后利用哈希技术对特征二值化,分别采用PCA降维二值化和分组降维二值化做了实验,实验证实二值化的特征依然保持较好的检索性能;最后在ImageNet数据集上对检索性能作了进一步的测试。