互联网上的图像数量已经达到了海量的状态,想在如此多的图像中搜索出想要的图像,是比较困难的。因此,高效快速的图像搜索的技术就被提上了日程。图像搜索技术可归纳为两大类:针对文本表述的和针对内容表述的。前者需要有丰富经验的专家对图像进行描述,对于海量的图像来说,需要耗费大量的人力和时间,而且不同的专家对图像的理解也不一样,这就导致了检索的准确度比较低;后者是使用图像本身内容的搜索方法,利用其自带的视觉信息特征来表述图像的内容,更适用于大量图像的查询,这也是图像搜索技术发展的主要方向。早期使用图像内容搜索技术主要是针对图像的颜色、图像的纹理及图像的形状等底层特征展开的。近几年,随着深度学习的普及,越来越多的研究人员利用深度学习中的卷积神经网络(CNN)提取图像的特征对图像搜索展开研究,并取得了良好的效果。因此,在文中主要研究了以下几点:1.分别使用传统特征和深度特征进行图像搜索,并对两个搜索结果进行对比分析,提出融合多个不同特征的图像搜索方法。2.提出一种融合多特征的自适应加权图像搜索方法,使它可以同时应用于有监督和无监督两种情况。3.分别在有监督和无监督的两种情况下,给出多个特征融合的自适应加权策略,从测量级的相似度量融合角度考虑,设计多特征自适应加权融合的图像搜索方法。通过实验,本文的方法在Holidays、Oxford5k图像集上的mAP分别为88.6%、58.44%,Ukbench图像集上的N-S得分为3.906,取得了良好的检索精准度,提高了检索的性能,验证了本文方法是有效的。