近年来,由于移动互联网的飞速发展,特别是Flickr、Facebook等立足于社交的网站的流行,图像、视频等异构数据在互联网上的占比越来越重。目前,社交网站Facebook上超过10亿的注册用户每月会生产超过10亿张图像的数据;而图片社交网站Flickr的用户仅2015年就上传了多达7.28亿张的图像,平均每天约为200万张;而在中国,全国最大的电子商务系统淘宝网,在后端保存着超过286亿张图像数据。基于以上的现实,如何在具有大量的包含有丰富视觉信息的图像库中快速、准确地检索并返回用户感兴趣或需要的图像,是目前多媒体信息检索领域的研究热点。在图像检索中常常存在视觉数据中提炼出的信息与在特定场合下这些数据对用户的解释之间缺乏一致性的现象,这个现象被称作语义鸿沟,语义鸿沟是图像检索中难以忽视的问题。基于此本文的工作主要集中在以下部分:(1)本文分析了近年来图像检索技术的研究现状,在此基础上探讨了语义鸿沟问题产生的原因。本文认为描述图像的标签之间存在的非独立关系导致了语义鸿沟问题,解决这个问题需要学习图像的语义嵌入,而图像的语义嵌入即图像的语义信息。(2)提出基于图像多目标语义的图像检索算法。本文通过构建一个深度卷积神经网络从图像中检测提取多个目标的类别和位置信息,并在对信息进行筛选和融合后通过基于递归神经网络的序列生成模型生成图像所属的分类。通过比较图像分类的相似程度来对图像进行排序,实现检索任务。(3)考虑到不同层次的图像语义对检索的影响,本文尝试使用图像概念语义替代多目标语义,研究基于概念语义的图像检索算法。具体的实现方法是首先通过图像摘要和句法分析任务,从图像中提取关系短句作为概念语义内容,然后通过基于注意力机制的序列生成模型生成图像所属的类别,通过比较类别相似程度对图像排序。(4)本文在多个数据集上对两种图像检索方法进行训练和测试,分别测试了在图像单标签检索和多标签检索中的性能,结果显示本文实现的检索方法相比于过去的检索方法具有一定的优势。