随着移动互联网的兴起、新兴媒体的普及,各种拍照、摄像设备的爆炸式增长,人们将各种图像分享到社交媒体上,在线图像的数量巨幅增长。如何在这些数量庞大、内容丰富的图像数据中检索出相似图像,一直是图像领域研究的热点问题。图像的特征选择和检索的效率是图像检索研究者们关心的重点问题。选取合适的图像特征对图像检索的性能很重要。卷积神经网络(Convolutional Neural Networks,CNN)由更复杂的网络构成,与传统特征提取方法相比具有更强大的特征表达能力。同时,分布式计算平台Hadoop具有良好的稳定性、安全性、扩展性等特点,可以加速图像检索的效率。使用卷积神经网络提取的隐藏层输出,作为图像深度特征进行图像检索,并且借助于Hadoop的强大计算能力进行图像检索任务,加速图像检索。本文的主要工作内容有:(1)使用预训练的AlexNet网络模型,提取图像的深度特征。使用单层深度特征、多层网络层特征合并的方式进行图像检索任务。之后与基于传统手工特征的图像检索方法进行对比,最终选择FC6层特征进行图像特征索引的构建。(2)为了解决检索任务中深度特征维度过高,给图像检索带来的检索时间长、检索任务计算量大的难题,本文提出一种自适应的索引构建方法。使用深度特征构建索引并保存在HBase中,该方法可以提高图像检索的效率。(3)在分布式平台Hadoop上实现图像检索任务。根据图像特征构建特征索引,通过特征索引完成图像检索任务。实验表明使用Hadoop平台在大型数据集上进行图像检索任务可以有效提升图像检索效率。本文实验在四个公开的数据集Holiday数据集、UKbench数据集、Oxford Building数据集、MIRFlickr1M数据集上进行相关实验,包括提取图像特征、构建索引、图像检索。实验表明,通过建立图像特征索引和使用分布式平台Hadoop,图像检索任务的效率和准确率有所提升。