随着计算机视觉的发展,图像检索技术得到了很大的突破。图像的特征提取是图像检索的关键环节,好的特征提取算法不但可以为图像识别和检索带来方便,而且还可以提高图像检索系统的性能。传统图像检索的特征提取使用图像的纹理等浅层特征对图像进行描述,没有提取出图像的高层语义信息,检索性能较差。而基于深度学习的特征提取是通过神经网络算法提取图像特征,可以提取出图像的高层语义信息。针对图像检索中的特征提取,本文提出两种深度学习网络结构,基于聚类注意力神经网络的图像检索网络和基于半监督阶梯网络的图像哈希检索网络。基于半监督阶梯网络的图像哈希检索网络主要由半监督阶梯网络和哈希检索两部分组成,半监督阶梯网络通过半监督的方式训练神经网络,解决了无标签数据无法训练特征提取网络的问题,哈希检索的方式提高了图像检索的效率;基于聚类注意力神经网络的图像检索网络主要由基础网络,聚类注意力神经网络(Cluster Attention Network,CAN),多注意力多类约束损失函数(Multi Attention Multi Class,MAMC)三部分构成,该网络可提取出每张图像的多个关键区域特征,并利用多个关键区域特征进行图像检索,有效地提高了图像检索的效率和准确率。在CIFAR-10数据集和作者收集的两个图像数据集上对本文提出的两个图像检索算法模型进行相关实验。实验结果表明,基于半监督阶梯网络的图像哈希检索算法在准确率上和时间效率上都有一定提高,基于聚类注意力神经网络的图像检索算法在准确率上有明显提高。