遥感图像检索是遥感领域的重点研究方向之一。目前遥感图像检索任务还存在许多亟待解决的问题,如目标方向各异、目标大小尺度变化大、目标背景复杂、同类的目标差异大等问题。遥感图像检索需要高效的图像特征提取技术。所以针对以上问题,本论文的具体工作包括以下两部分:（1）针对遥感图像中目标尺度变化大、目标方向各异、背景复杂等问题,本文提出一种多尺度自注意力特征融合遥感图像检索算法。该方法使用可变卷积解决目标角度变换的问题,使用自注意力机制捕获特征的长距离上下文信息,在复杂的背景中提取显著区域的特征,提升模型在遥感图像背景复杂情况下的鲁棒性。在目标尺度变化大的情况下,通过融合多尺度的自注意力特征,来增强特征的表达能力,提高遥感图像检索的精度。该算法在UCM、SATREM、NWPU三个经典数据集上的实验中,遥感图像检索平均检索精度都能有1%的提升,表明了两个模块的有效性。（2）针对同类的目标差异大,会造成提取到的遥感图像特征无法准确反映其真实的类别信息的问题。本文提出基于多重相似性的遥感图像特征度量学习算法,通过综合考虑特征之间的三种相似性（自相似度、正相似度和负相似度）,有效地减小同类特征的距离,增大不同类特征的距离,增强特征的判别能力,使得特征能准确反映其真实的类别信息,进而提高遥感图像检索的精度。在UCM、SATREM、NWPU三个经典数据集上的实验中,使用了多重相似性损失函数的方法比其他两种方法（对比损失函数和三元组损失函数）的平均检索精度都要高。通过特征分布图可以看出,多重相似性损失函数可以大大地增强特征的判别能力。同时,本文还提出了用于遥感图像检索的非度量相似性网络,代替传统的相似度度量方法。该方法同样提升了遥感图像检索的平均检索精度。上述两种算法分别结合多尺度自注意力特征融合遥感图像检索算法,在三个经典数据集上的平均检索精度,比现有性能比较好的遥感检索算法都高,都在90%以上。特别是在遥感图像数量比较多的NWPU数据集上,本论文提出的方法的性能远远超过现有方法,表现出了本论文提出的方法在大规模数据集上的优越性,适合实际应用场景的需求。综上所述,实验表明,本论文提出的算法可以很好地解决遥感图像检索存在的问题,增强网络模型的泛化性,提高遥感图像检索的性能,满足在实际应用时海量遥感图像数据对于检索任务高性能的要求。