20世纪末,随着手机等移动设备的普及以及各种网站的兴起,图像数量的增长速度非常迅速。在此情形下,如何从海量的图像中检索出需要的图像,一直是图像检索领域研究的热点问题。其中对图像特征的提取和图像间的相似性比较在图像检索领域十分重要。在基于文本和内容的图像检索技术中,对图像内容的低层表示很难完全理解查询者的真实意图。深度学习是近年来在人工智能领域取得的最重要的突破之一,在图像跟踪和图像识别等方面取得了很多的研究成果。因此,本文将深度学习与图像检索结合起来,得到图像的特征表示,并基于该特征研究检索的效果。不仅有较强的理论意义还有很高的实用价值。论文首先介绍了深度卷积神经网络的主要内容、传统的图像检索方法和图像特征提取方法。在此基础上,研究了对基于深度卷积神经网络提取的特征进行处理的方法,利用距离度量学习算法进行图像间的相似性比较,设计并实现了图像检索系统。主要研究工作如下:(1)研究了深度卷积神经网络提取出的图像高维特征带来的维度灾难问题。采用PCA降维方法对DCNN特征进行降维处理,在降维的基础上,本文利用改进的PCA降维二值化(PCA-binarization)方法对特征进行二值化处理,并将二值化处理后得到的哈希码用于图像检索,提高图像检索的效率。(2)为了提高图像检索的精度,本文将KISS距离度量学习算法应用于衡量两幅图像之间的相似性上。KISS距离度量对图像特征各维度进行加权,可以获得更好的相似性度量。通过将该算法与不同的相似度量函数的检索性能进行对比和分析,距离度量学习可以提高图像检索的精度。(3)设计并实现了基于深度卷积神经网络的图像检索系统。该系统能根据用户输入的待检索图像返回查询结果,该结果都是与待检索图像相似度较高的图像,具有较高的实用性。