图像检索和三维模型检索都是计算机视觉重要的研究领域。随着图像采集设备(如照相机、手机等)和三维模型采集设备(如深度摄像头、LiDAR等)变得越来越普及,图像和三维模型的规模也在快速增长,对检索系统提出了更高的要求。作为机器学习的一个分支,深度学习在近年来异军突起,在提取图像、语音等数据特征方面表现出极大的优势。作为对特征的质量具有很高要求的领域,图像检索和三维模型检索也具备了通过使用深度学习提取的质量更佳的特征来提升整体检索性能的可能性。本文旨在将深度学习引入到图像检索和三维模型检索领域中,针对特定的检索需求,发掘、创新深度学习的应用模式,通过深度学习的方法自动提取具备相应性质的特征。针对面向类别层次的大规模图像检索需求,通过加入一个特殊的哈希层,直接使用网络提取类似于哈希码的二值化特征。这种哈希特征同时保留了大量的图像语义信息,在检索中比传统的图像哈希算法所提取的特征表现更优。针对面向实例层次的图像检索,提出了一种结合不同网络层输出信息的联合特征方法,由于不同网络层输出具有不同的信息模式,这样能够显著增加特征中的有效信息量,提升最终的检索精度。另外,我们通过对卷积神经网络进行改造,直接用来提取三维模型的特征,并通过在训练阶段引入三元组代价函数,使特征具有更加适用于检索的性质。对于提出的几种方法,均通过充分的实验和目前的一些主流特征提取算法进行了对比分析,证实了这些基于深度学习方法的可行性和有效性。