图像检索是计算机视觉领域的一个研究热点,它的关键技术主要包括特征提取和图像表征。近年来,深度学习被广泛应用于社会各个领域,并取得了优异的性能,其主要实现工具是卷积神经网络。在人工智能领域,研究人员利用卷积神经网络来提取图像的特征,然后进行特征编码和图像表征,最后用于图像检索。已有的研究表明:利用卷积神经网络提取的深度卷积特征更有利于提高图像检索的性能。在深度卷积特征中,如何识别目标物体和抑制背景噪声,以及有效地抑制视觉突发性,这是亟需解决的重要问题。因此,本文提出一种基于深度聚合特征的图像检索方法和一种混合PCA-whitening降维方法,它们极大地增强了目标物体的特征表示,提升了图像表征能力,明显提高了图像检索性能。本文提出方法的主要创新点如下:（1）为了解决深度卷积特征中存在大量背景噪声和视觉突发性问题,本文提出了一种过滤深度卷积特征的聚合方法。该方法首先对每幅图像的深度卷积特征图求方差并将方差排序,然后挑选出方差较大的特征图,利用这些特征图构建滤波器来过滤噪声,它能够增强目标物体的特征响应,并对背景噪声有抑制作用。其次,通过构建目标空间权重和强度通道权重对深度卷积特征图进行加权,它能够识别目标物体所在区域并对关键特征进行增强,从而提升图像的表征能力并提高图像检索性能。（2）为了解决特征降维过程中导致图像检索性能大幅下降的问题,本文提出一种混合PCA-whitening降维方法。高维的特征向量需要大量的计算和内存资源,传统的PCA-whitening方法虽然能够降低特征的维度,但是,图像检索的性能也随着特征维度的降低而大幅下降。因此,我们提出一种混合PCA-whitening方法,通过分别在两种不同的数据集上学习PCA-whitening参数并对特征进行降维,然后再融合降维后的特征作为图像的特征表示,该方法能够大幅提高低维特征向量的检索精度。我们在五个著名的图像检索数据库上和最先进的图像检索方法进行了比较,实验结果表明:本文提出的方法具有优异的检索性能,不仅能够识别目标物体和抑制背景噪声,而且提升了低维特征的检索性能。