随着遥感技术的发展,遥感影像的数量呈现海量增长的趋势,在海量的遥感图像库中如何快速检索出感兴趣的图像已经变成了一个研究热点。近些年深度学习的广泛应用,使得基于内容的遥感图像越来越成熟,尤其是利用卷积神经网络提取图像特征进行遥感图像检索,检索结果表现较为优异。然而,基于卷积神经网络提取的图像特征表示具有不同的特点,具体来说卷积层特征包含丰富的细节信息,而全连接层特征则包含抽象的语义信息。因此,如何同时利用两种特征的优势提取更有效的特征表示,是基于卷积神经网络的遥感图像检索的研究重点。此外,由于遥感影像包含的地物多,场景复杂,导致单一的语义场景标签并不能准确地描述复杂场景,因此,如何利用遥感图像中的多种地物类别进行多标签遥感图像检索也是另外一个需要研究的问题。针对以上问题,论文研究了基于卷积神经网络的遥感图像检索方法,提出了多层特征联合的检索方法和多标签遥感图像检索方法,主要研究内容如下:（1）对现有的遥感影像检索方法进行了总结,并且重点研究了基于卷积神经网络的遥感图像检索存在的难点以及对应的解决方案。（2）针对卷积神经网络中卷积层和全连接层提取的特征包含不同的图像信息,单一特征表达图像内容有限的问题,提出一种基于卷积神经网络多层特征联合的遥感图像检索方法。该方法利用预训练的卷积神经网络提取出卷积层特征和全连接层特征,并将卷积层特征作为局部特征,根据卷积层与全连接层的映射关系,即感受野区域的变化,把卷积层特征和全连接层特征进行整合,提取出更有效的特征表示,同时兼顾局部和全局信息。实验结果表明,相比于单独利用卷积层或全连接层提取特征检索的方法以及目前常见的检索方法,多层特征联合方法提高了检索精度。（3）针对单标签检索方法难以准确描述并区分复杂遥感影像场景的问题,提出了一种基于卷积神经网络的多标签遥感图像检索方法。由于目前公开的遥感图像多标签数据集相对缺乏,限制了多标签遥感图像检索方法的研究,因此论文中构建了多标签遥感图像数据集（DLRSD,dense labeling remote sensing dataset）,相比之前的多标签数据集可以实现基于像素的图像检索方法研究,并在该数据集上进行试验。论文中在该数据集上提取不同区域的特征进行多标签遥感图像检索,并与单标签遥感图像检索结果作比较,同时对比了卷积神经网络特征与传统的人工设计特征的检索表现。实验结果表明,多标签遥感图像检索在一定程度上具有更好的检索精度,这也说明利用多标签进行特征表示的检索方法一定程度上缩小了遥感图像中低层特征和高层语义之间的鸿沟,提高了检索精度。论文创新点如下:（1）提出了基于卷积神经网络多层特征联合的遥感图像检索方法,将全连接层特征和卷积层特征融合,提取出了更有效的图像特征。（2）构建了多标签遥感图像数据集,弥补了目前该类公开数据集少的现状。提出了基于卷积神经网络的多标签遥感图像检索方法,综合考虑了遥感图像复杂场景中的多样地物信息,进一步提高了遥感图像的检索精度。