近年来随着社交媒体的迅猛发展,人们在日常生活中产生了大量图像及视频。这些媒体资料需要被机器快速准确的处理,提取出关键的信息与特征。示例检索技术在这方面有着非常实用的价值。尤其随着深度学习技术的普及与发展,对图像的信息提取方式也越来越多元。因此,本文对基于深度网络的示例检索技术进行了较深入的探究,主要工作内容如下:提出了一种基于Gram矩阵的新颖图像表示算法。通过引入Gram矩阵,设计卷积神经网络特征图的二阶聚合方式,考虑了特征图不同通道之间的响应关系,获得了更加有效的全局特征表示。优化了目标候选框在图像中的定位。利用关键点匹配和仿射变换的不断迭代,自动得到训练数据集图像中的目标框的位置,并基于该数据集,通过训练候选区域深度网络,回归得到更准确的目标区域,有利于提取更稳定的区域特征,从而聚合得到更有效的全局特征。引入特征学习,在深度网络的优化中学习全局特征描述。基于三元组损失函数,设计了一种三路连体神经网络,学习更为有效的全局特征表示。此外,将R-MAC、PCA等思想融入到网络层中,完成端到端的快速训练。网络在测试阶段,对图像仅需一次前馈操作即可提取到鲁棒的全局特征表示。在Oxford、Paris、Holidays、Flickr等公开图像库上的实验结果表明,上述算法有效提高了示例检索的准确性。