实例检索旨在从图像库中搜索包含指定实例的图像并定位该实例。该任务在现实场景中有着广泛需求,例如在线商品搜索和视频中物体搜索等。鉴于广泛多样的实例类别,实例检索所面临的挑战主要来自于对泛化类别实例的查询与定位需求。由于卷积神经网络在视觉理解领域的出色表现,基于卷积深度特征的实例检索方法逐渐占据主流。然而现有可定位方法对于监督信息的依赖,使得它们被限制于监督数据的类别中。因此,针对多样化类别实例进行定位的无监督实例检索方法研究有着重要现实意义。论文主要围绕以上问题,对实例检索方法展开研究。首先,针对现有可定位实例检索方法的监督需求苛刻和类别敏感问题,论文提出一种基于深度激活显著区域的无监督实例检索方法。方法使用预训练卷积神经网络模型,利用卷积核权重以及模型对图像的响应挖掘前景实例,通过构建概率反向传播模型定位实例,在此基础上提取实例级特征用以进行实例检索。在多个实例检索数据集上,该方法的检索性能与现有的代表性方法相比有明显提升,且定位性能略优于基于弱监督目标检测的方法。其次,针对现有实例检索方法定位不准的问题,论文提出一种无监督的联合定位实例检索重定位方法。方法利用预训练卷积神经网络提取图像特征,对检索结果通过主成分提取以进行联合定位。同时,方法使用聚类算法分割联合定位结果以得到更精确的实例位置框。所得重定位结果框可以用于替换原始检索定位结果,也可以用于更新离线提取的候选数据库。实验表明,相较基准方法,该方法对检索质量和定位效果带来了良好的提升。