基于内容的图像检索技术一直是一个热门研究方向,在如今互联网络图片及视频资源呈现爆炸式增长的大背景下,CBIR技术能够帮助人们更快更准确地获取到自己想要的信息。深度学习近几年非常火热,强大的特征学习能力以及非线性特征表达能力,使得深度学习在计算机视觉领域的多个分支都实现了突破。本文主要是研究基于深度学习的特征表示以及其在图像检索中的应用。一个有效的图像检索系统分为两个部分:一个是具备强大表征能力的特征;一个是快速的检索过程。本文主要从这两个方面着手研究。在特征提取方面,本文首先研究CNN中不同层之间的表达能力差异,然后提出一种多层次的池化方法以及多层特征融合的方法,并采用PCA即LDA降维方法对特征进行过滤;在快速检索方面,本文提出一种基于深度学习的哈希技术,用卷积神经网络同时进行特征学习以及哈希函数学习。具体地,本文的主要工作概括如下:>研究卷积神经网络中不同层的特征表达能力差异,并发现相比于全连接层的特征而言,卷积通道特征对于图像检索问题而言更为有效;>提出一种多层次池化方法用于特征提取,将卷积图中的局部区域特征与全图的全局特征融合在一起,使得特征更具鲁棒性,在多个数据及上验证了其效果;>提出一种多层特征融合的方法,通过结合低层的视觉特征以及高层语义特征,提升了最终特征的泛化能力,在多个数据集上多层融合特征对于性能都有提升;>提出一种区域感知的深度哈希技术,结合图像目标候选区域提取算法,RoI pooling,多标签分类损失函数以及加权三元组损失函数,使得网络能够同时进行特征学习以及哈希函数学习。