随着人工智能,物联网以及多媒体等技术的快速发展,图像量级呈爆发式增长,如何高效准确地检索出用户所需图片是多标签图像检索领域面临的关键问题。为了提高多标签图像检索的准确率和效率,目前主流的解决方案为采用深度哈希的方法。尽管基于深度哈希的方法在多标签图像检索领域取得了一定的成果,然而在多标签图像检索时仍然存在检索准确率不高这一突出问题。本文围绕相关问题展开研究,提出了基于残差网络的多标签图像检索方法的解决方法,主要内容包含以下三个方面的工作:(1)在现有的深度网络模型中,提取的底层特征不能有效地将多标签图像的多层次语义信息和相似度排序信息集成到一个深度哈希模型中。因此,本文构建了基于改进残差网络的深度哈希模型。该模型采用成对多标签图像标签向量的余弦距离来量化多标签图像中存在的多层次相似性信息。同时,引入残差网络提高模型的学习能力。实验表明,与对比方法中最佳的基准模型相比,改进后的模型在两个多标签数据集上平均检索精度分别提高了4.09%和8.47%。(2)在现有的深度哈希模型中,提取的特征向量通常包含多标签图像的全局信息,其中包括多标签图像的目标信息和杂乱的背景信息。因此,本文构建了融合注意力机制的残差网络深度哈希模型。该模型引入注意力机制来识别多标签图像中目标(前景)的近似位置。同时为了适应融入注意力机制的模型学习,本文在引用第三章的损失函数的基础上对其进行了修改。实验表明,与对比方法中最佳的基准模型相比,改进后的模型在两个多标签数据集上平均检索精度分别提高了5.29%和9.83%。(3)针对当前单机GPU有限的计算能力和资源,导致在训练深层残差网络模型时速度缓慢。在分析了数据并行和模型并行的各自优缺点基础上,根据本文所使用改进深度残差网络模型,本文设计了基于Keras框架的多GPU数据并行方法来提高训练效率,以解决改进深度残差网络模型在单机上训练代价大的问题。通过对比实验,验证了基于残差网络的多标签图像检索方法具有更高的准确率。