近年来,随着互联网及多媒体技术的飞速发展,图像数据呈爆炸式增长,如何在海量图像中搜索到目标图像引起越来越多专家学者的关注。作为基于内容的图像检索(CBIR)中最关键的一步,图像特征提取一直是图像检索技术研究的热点和发展方向。深度学习能够让计算机自主学习,获得图像深层次特征,弥补用户与计算机之间的“语义鸿沟”,提高图像检索准确率。本文对如何快速有效地提取图像特征进行研究,通过尝试改进VGG-16网络模型,更高效地实现图像检索。首先,本文简单介绍了图像检索领域的研究背景及意义,从基于内容的图像检索以及深度学习两个方面分析了国内外研究现状。其次,从CBIR的基础理论和深度学习两方面介绍相关理论知识。从图像特征提取、相似性度量方法以及性能评价等方面对CBIR技术进行介绍,最后简要介绍了深度学习方面的相关理论知识和技术。然后,提出了一种基于多特征融合的图像检索算法。在HSV颜色空间中对图像进行非均匀量化的基础上,提取图像CCM、LBP及DBPMM特征,通过融合提取的多种图像特征,充分描述图像内容信息,提高检索准确率。并且在ZuBuD图像库以及Corel标准图像库上进行对比实验。实验证明了融合特征在图像检索中的有效性。最后,提出了一种基于VGG-16改进的图像检索模型。首先,阐述了卷积神经网络的结构和VGG-16模型网络架构,然后,在此基础上提出了改进的VGG-16网络模型,并在Corel标准图像库上对原始VGG-16网络和改进的新网络进行对比实验,结果表明改进后的网络模型使得检索精度有一定的提高。