论文主要研究用深度学习的方法进行图像检索。因为对于信息资源,图像不仅携带信息丰富,而且表现形式更为直观。在大数据智能时代,如何从浩瀚如海的图像中快速准确地找到目标图像,这也是图像检索的意义所在。论文研究的主要内容包括:(1)论文从不同角度分析了当前主要的机器学习算法:一方面,从输入数据的角度对有监督学习算法和无监督学习算法进行了分析讨论,同时研究了其优缺点;另一方面,从机器学习模型的层次角度对浅层学习和深度学习算法进行了分析和讨论,研究了其优缺点。其次,论文还分析了深度学习的常用模型和算法。(2)论文重点分析了基于限制玻尔兹曼机(RBM)的深度置信网络(DBN)。论文通过对目前改进的各种DBN网络进行分析和研究,发现DBN网络的核心算法实现深度结构更容易,对数据的异常处理也更完善并且容易扩展,因此论文选择对基于RBM的DBN网络进行研究。但是基RBM的DBN网络也存在一些问题,主要是在DBN网络对数据降维时没有考虑到图像的二维结构。(3)针对基于RBM的DBN网络的问题提出了S-DBN的新算法。S-DBN算法主要核心点是在图像数据进行特征提取之前先用池化层来对图像进行相似特征的合并,在不破坏图像二维结构的情况下对其进行降维。最终的结果与之前DBN网络的降维方法进行对比实验。实验结果表明分类的错误率有所降低,特征提取的训练时间也有所减少。