近年来,随着互联网技术的发展,以及各种拍摄硬件的普及,使得各行各业中的图像数据都呈现爆炸式增长,从海量数据中找出真正符合需求的图像也变得越来越困难。中国作为世界上最大的纺织品服装生产和出口国,不管是在织物设计、库存管理还是销售过程中,提供一种快速高效的图像检索机制至关重要。鉴于深度学习在图像识别、检测、分类等领域的突出成就,本文设计了基于深度学习的印花织物图像检索系统,使得用户可以快速获取所需织物信息。论文主要工作如下:(1)根据目前纺织行业对织物图像检索的诸多需求,从功能及性能需求出发,完成了印花织物图像检索系统方案设计,包括硬件选型、平台搭建以及软件模块设计。(2)针对传统的基于文本及内容的图像检索方法缺少学习能力、检索速度慢、精度低等问题,提出了基于卷积神经网络的印花织物图像检索方法。将AlexNet中局部响应归一化替换为批量归一化,并采用迁移学习的方法对修改后的模型进行训练。该方法既可以弥补数据集的不足,也可以防止训练过程中产生过拟合,同时加快模型收敛速度。检索过程中,首先利用训练好的模型对织物图像进行特征提取,然后通过欧氏距离度量图像对之间的相似性,最后根据相似性大小将用户需要的top k图像及其所属种类、库存编码、流行年份等信息返回。通过实验结果对比,提出方法的平均检索准确率和平均检索召回率分别达到了93.4%和46.7%,获得了更好的检索性能。(3)针对大规模数据检索耗时和内存占用大的问题,结合哈希算法和卷积神经网络的优势,提出一种印花织物图像检索方法。采用由粗到精的分级检索,首先根据图像的二值哈希编码计算汉明距离实现粗检索,将与待检索图像相似度较高的m幅图像映射到一个哈希桶中,然后计算桶内图像和待检索图像fc7层特征向量间的欧式距离,实现精检索。实验结果表明,该方法能够兼并卷积神经网络强大的自学习能力与哈希算法在计算和内存占用上的优势,更加适用于大数据集检索,具有一定的实用性。文中图34幅,表14个,参考文献68篇。