近年来机器学习等人工智能领域的研究和应用迅速发展,为人们的生活和工作提供了诸多帮助。其中,结合图像检索与足迹检验的智能系统可以更准确迅速的为刑侦人员提供犯罪嫌疑人的相关信息。针对目前鞋印图像所存在的足迹不完整和检索技术落后的问题,利用深度学习的方法对所提取的鞋印进行处理,可以更准确地检索出案发现场足迹所对应的鞋印图像,为后续的案件侦破提供更多的线索和信息。这一方法的使用可分担司法人员的破案重担,提高破案效率。本论文研究了基于深度学习的鞋印图像检索方法。首先,提出了一种跨域的图像检索方法,针对案发现场提取的鞋印图像与图库中鞋印图像存在域间差距的特点,对鞋印图像进行图像分割的预处理,减小图像的域间差距,优化检索性能;其次,针对鞋印图像环境噪声影响较多的特点,在基于深度特征的图像检索算法的基础上,使用Siamese网络作为基础网络框架,以VGG19网络作为特征提取网络,并利用三元组损失对提取的特征进行相似性度量,保证所提取的特征中包含更多鞋印的信息,提高检索性能。在此基础上,本文针对网络的特征提取和相似性度量提出了优化方案。首先,本论文提出了将原始的鞋印图像和经过图像分割处理后的图像所提取的特征进行融合的方法,然后利用融合特征进行相似性度量。原始图像提取的特征中包含全部的鞋印图像信息,而分割后的图像提取的特征中噪声影响较小,融合特征有效结合了二者的优点,所以利用融合特征进行检索可以进一步提高检索性能。本论文使用三元组损失进行相似性度量,训练集中正、负样本选择的好坏影响网络模型的性能。本论文采用在线选择样本图像的方法,通过线上选择与检索图像更相似的负样本图像和差距更大的正样本图像进行相似性度量,以达到更好的训练效果,进而获得更好的检索效果。