互联网多媒体的快速发展带来了各类图像数量的增加,人们对图像检索需求也日益上涨。怎样从海量图像中准确有效获取与待检图像相似的目标图像成为图像检索领域的热点话题。深度学习作为近年来在机器视觉方面取得的最重要的突破之一,在图片检索领域获得了不少成果。但由于图像每个区域对任务贡献的重要程度不同,针对性地检索内容、背景复杂图像中的目标物体变得愈发困难。准确定位图像感兴趣区域、关注局部特征能有效改善遮挡物、拍摄角度带来的特征提取不精确的问题。此外,全局特征注重图像整体表达,其与局部特征的结合也能有效提升特征表达力。因此,探索对图像感兴趣区域的定位、全局特征与局部特征之间的融合对图像检索技术研究具有重要意义。本文基于深度学习理论,主要围绕图像显著性区域特征表达问题,对如何提取图像目标区域特征,提高特征精度,以及如何更好实现全局特征与局部特征融合等问题展开相关研究,主要研究工作如下:（1）提出一种基于YOLO-V4区域定位加权检索算法。本文结合目标检测算法,定位图像感兴趣区域,关注重要的局部信息,降低非目标对象带来的干扰;在特征图上根据位置进行加权求和,减少图像边缘特征提取,更加关注图像有效区域,提升特征表达力。实验证明,在Oxford5k和Paris6k地标数据集上,本文提出的算法相比其他主流算法能取得更好的检索结果。（2）提出一种多区域聚合重排检索算法。通过研究特征图特征点表达,采用重叠池化算法,聚合各区域信息,不仅可以获得非重叠池化丢失的关键信息,还能减小全局平均池化模糊化效果带来的影响。结合重排算法,采用拓展查询的方式,融合原图与查询结果top@k的特征进行二次重排。该算法与其他主流方法相比,在Oxford5k和Paris6k数据集上能有效提高检索精度。（3）提出一种基于区域加权与多区域聚合重排的特征距离融合检索算法。该方法既关注图像全局特征也关注其局部特征,将YOLO-V4区域定位加权检索算法与多区域聚合承排算法得到的距离度量加权融合,获得图像最终的度量得分。通过在相关数据集上实验对比,特征距离融合后的图像检索精度高于单独的特征距离度量取得的精度。（4）搭建一个基于深度学习的图像检索系统。该系统适用于各种网络结构,能根据用户输入的待检索图像,实时并准确地从数据库图像中返回查询结果。返回的图像按照相似度高低排序,由高到低选取12张图像,展示在系统界面,具有较高的实用性。