现有的基于深度学习的近重复图像检测算法主要依赖于CNN（Convolutional Neural Network,卷积神经网络）特征。相比于传统的手工设计特征,虽然一些基于CNN特征的近重复图像检测算法取得了较大的提升,但现有的方法往往单一地提取图像的全局CNN特征或者局部CNN特征,未充分结合考虑全局CNN特征和局部CNN特征的优点,因此在检测的准确率和效率上仍存在较大的提升空间。并且对于近重复图像中具有高度视觉相似性的相似图片和拷贝图像,由于现有的方法忽视了其本质关系,因此不具备区分拷贝图像和相似图像的能力。鉴于上述不足,本文提出了两种基于深度学习特征的近重复图像检测算法。（1）基于全局CNN特征和局部CNN特征的近重复图像检测算法为了充分发挥全局CNN特征和局部CNN特征的优点,本文提出了一种基于全局CNN特征和局部CNN特征的近重复图像检测算法。该算法总共包含两个特征匹配阶段,分别是粗匹配阶段和细匹配阶段。在粗匹配阶段,该算法提取并匹配全局CNN特征,以此快速地过滤掉大部分无关图像。紧接着,为了进一步地提升检测精度,在细匹配阶段,该算法提出了一种新的局部特征提取方案。首先,筛选CFMs（Convolutional Feature Maps,卷积特征图）上卷积激活值较大的特征点,然后根据这些特征点及其周围邻域框选出局部区域块。此外,该算法还在细匹配阶段引入了视觉注意力机制,通过视觉显著性检测,获取人眼感兴趣的图像区域作为上述局部区域块的补充。由于结合了全局CNN特征和局部CNN特征的优点,且得益于提取局部CNN特征的合理性,该算法能在满足实时检测的同时,维持较高的检测精度。（2）基于残差域深度学习特征的拷贝图像检测算法为了更好地区分视觉相似度较高的拷贝图像和相似图像,本文提出了一种基于残差域深度学习特征的拷贝图像检测算法。该算法首先提取并匹配原始图像和待检测图像的SIFT（Scale Invariant Feature Transformation,尺度不变特征变换）特征,然后,依据SIFT特征包含的尺度信息、方向信息以及位置信息,将原始图像和待检测图像进行图像配准。配准后,分别提取原始图像和待检测图像上的重叠区域,再将提取到的两块重叠区域逐像素作差值运算以生成残差图像。另外,为了使得卷积神经网络更适用于拷贝检测任务,该算法还对经典的Res Net18网络进行了结构优化。最后,将残差图像送入优化后的Res Net18网络中进行特征学习和预测分类。大量的实验证明,与现有的先进算法相比,该方法能在保证检测效率的同时维持较高的检测精度,且对于视觉相似度较高的拷贝图像和相似图像具备较强的辨识能力。