基于内容的图像检索是计算机视觉中的基础研究方向,其旨在从大规模图像库中找出与查询图像语义相关的图像,并按相关性降序排序后返回给用户。图像检索在商品检索、地标检索、行人检索等领域有着广泛的应用。视觉重排序是基于内容的图像检索系统中重要的后处理步骤。当初次检索的结果不尽如人意时,可以使用视觉检索重排序技术对初次检索的结果进行优化,从而进一步提升图像检索的精确度。近年来,视觉检索重排序技术取得重大进展,已成为许多图像检索系统中的核心模块。然而,现有的视觉重排序技术仍存在一些不容忽视的问题。首先,现有的重排序方法难以有效应对初排结果中排序靠前的噪声图像,而这些排序靠前的图像对获取查询图像的额外信息至关重要,这对后续重排序的性能提升造成了阻碍。其次,现有的方法往往计算复杂度高,难以有效兼顾检索精度和计算时延。最后,许多重排序方法的鲁棒性较差,只能适用于特定的特征或检索任务,难以应对真实检索系统中的复杂情况。这些问题限制了视觉重排序方法应用于真实的图像检索系统。为了解决上述问题,本文面向图像检索任务,提出基于图像语义相关性学习的视觉检索重排序框架,利用图像之间的视觉特征相似性,学习图像之间的语义相关性,从而在提升图像检索精确度的同时控制较小的计算开销。本文的主要工作包括如下三个方面的内容:首先,本文提出一种基于协同相关性学习的视觉检索重排序方法。观察到初次检索结果中排序靠前的图像之间包含着重要的上下文信息,这些信息可用于学习图像间的语义相关性。为此,本文在初次检索结果基础之上,提出了一种协同视觉语义相关性学习方法,通过更加准确的度量查询图像与初次检索排序靠前的图像之间的相关性,对初次检索结果进行重排序,提升检索精度。具体地,本文将初排列表排序靠前的图像表示为相关系数矩阵以表征图像之间的上下文信息,并使用一个轻量的卷积神经网络回归模型同时学习所有图像之间的相关性。为了为不同的查询图像选择最优的重排序长度,本文提出一种查询图像自适应选择方法。该工作能够以极小的计算开销提升图像检索的精确度。其次,本文提出一种基于上下文相似性聚合的视觉检索重排序方法。在图像检索中,初排结果排序靠前的图像之间的上下文相似性是区分语义相关性的重要线索。本文定义了一个关联特征,以表征初排列表中候选图像间的上下文信息。为了进一步聚合候选图像的上下文相似性信息,本文提出使用一个以Transformer编码器为核心的网络学习图像间的相关性,并聚合候选图像的关联特征。由于本研究工作提出的重排序模型以图像的关联特征作为输入,因此重排序网络具备较好的通用性与泛化性。本方法能够在保证低时延的前提下,大幅度提升图像检索的精确度。最后,本文提出一种基于自适应查询扩展学习的视觉检索重排序方法。在传统的查询扩展方法中,往往会定义一个关于图像排名单调递减的权值函数用于图像聚合,而这种方案无法根据图像之间的相关性进行特征聚合。为了解决这一问题,本文提出将查询扩展问题转变为表征学习问题,即训练一个网络生成查询图像的扩展特征。本研究工作使用Transformer编码器学习图像之间的相关性,并将其用于特征聚合。为了约束聚合得到的特征与原特征在同一特征空间,本研究工作对编码器的结构进行了修改。本研究工作提出的方法不产生单调下降的聚合权值,而是通过网络直接生成查询图像的扩展特征。本方法解决了传统的查询扩展方法的缺点,在不大幅增加计算开销的前提下有效提升了检索的精确度。本文针对图像检索中的视觉重排序任务,根据初次检索结果中图像之间的相似性,本文提出三个不同的方法学习图像之间的语义相关性,从而优化初排结果。本文将详细阐述上述三个研究工作,并通过完善的实验证明所提出方法的有效性、高效性与鲁棒性。