随着图像检索技术日趋成熟,图像检索任务逐渐趋于精细化,细粒度图像检索成为了当前视觉检索领域的研究热点之一。主流的细粒度图像检索方法大都基于深度特征学习范式构建,通常仅用深度神经网络的最后一个卷积层的输出作为特征。虽然高层特征包含有丰富的语义信息,但其主要注重描述目标的全局信息,而在细粒度图像检索任务中,某些局部细节信息往往才是区分不同目标的关键。为此,本文设计了一个融合多尺度深度特征的细粒度检索方法,融合不同尺度的深度特征,从而得到更具判别能力的特征。同时,为了降低构造元组的复杂度并提高训练效率,本文引入了“N元组中心”的思想,提出了基于N元组中心的度量学习方法,不仅提高了元组构建效率,而且通过有效优化样本的类内距与类间距,提升了特征的区分能力。本文的主要研究工作如下:1.本文提出了一种融合多尺度深度特征的细粒度图像检索方法。该方法通过网络不同层次的输出来获取各种尺度的特征,再利用广义均值池化对不同尺度的特征进行聚合,最后将不同尺度特征嵌入到度量空间中进行学习。针对特征融合问题,本文设计了两种不同的方案,实验结果表明:先将特征嵌入到度量空间中学习再进行拼接的融合方案产生的融合特征具有更高的检索精度。2.本文提出了一种基于N元组中心的度量学习方法,并提出基于样本均值或类别特征来构建中心的策略,从而解决了进行困难样本挖掘带来的复杂度太高的问题,提高了元组构建效率。引入“N元组中心”使得类内特征更紧凑,类间特征更分散,有利于提高特征的区分能力。本文的研究在多个经典的细粒度图像检索数据集上进行了大量的实验验证,并与当前经典的细粒度图像检索方法进行了比较。实验结果表明:本文提出的基于N元组中心损失及多尺度特征融合的细粒度图像检索方法具有较好的检索精度和泛化性。