图像包含着复杂的信息,利用什么工具提取特征,用什么样的特征描述图像显得至关重要,特征提取在图像分类和检索等方面发挥着重要的作用,传统方法是利用手工生成图像特征,例如对图像提取SIFT特征,并取得了广泛的应用。近年来,深度学习的研究引起了广泛学者的兴趣,特别是卷积神经网络作为特征提取的方法,因其从原始数据学习特征的能力,在图像分类和检索领域不断取得新的突破。同时,距离度量学习作为特征空间转换的工具,在图像应用领域也得到广泛的应用。本文利用卷积神经网络中的CNN-F网络提取图像特征,并运用于图像的哈希搜索算法,相对于传统的SIFT手工特征提取方法,在图像搜索的性能方面有了显著的提高,NUS-WIDE数据集上的实验结果充分证明了基于CNN-F特征提取方法的优越性。在此基础上,本文通过训练学习了多标记多示例环境中标记的相关性,并优化距离度量以减少正相关标记对应包的马氏距离,即优化特征的空间转换,从而提高多示例多标记kNN算法的分类性能。在MSRC v2数据集CNN-F特征提取的情况下,与经典的多示例多标记分类算法进行对比,实验结果验证了本文提出的分类算法的有效性。