图像处理技术的日渐发展使得图像数据编辑、传输,存储日趋便捷且成本低廉,面对网络中大量存在的近相似图像,如何过滤筛选这些图像成为了当下一个有实际意义的研究课题。传统基于内容的图像检索算法(CBIR)取得了一定成效却仍然存在着一些问题。近年来,许多近相似图像检索算法被相继提出,通过使用更为复杂的图像局部特征描述或训练深度学习网络得到更好的特征表示来提高检索精度。然而,物体遮挡、图像分辨率差异、光照变化和更加相似的图像数据集使得近相似图像检索成为有挑战性的问题。本文提出了一种基于特征融合的近相似图像检索算法,包含目前被广泛使用的由卷积神经网络提取的深度特征以及改进的局部特征,在检索阶段对特征进行融合,使算法的性能不受单一图像特征性质的影响,提高检索精度。本文具体阐述了以下三个贡献点:1)提出了一种由卷积网络(CNN)提取得到的兴趣域用于改进加速稳健特征(SURF)。根据CNN前端池化层得到的结果分别计算频道权重和空间权重后得到总体响应图。叠加多个池化层上的响应图,通过一种类似滤波的操作计算得到最终的兴趣域。利用兴趣域对局部特征点进行筛选,优化局部特征描述。2)提出了一种中心权重,用于改进局部聚合向量(VLAD)算法。权重设计思路源于词频-逆文本频率(TF-IDF)算法,将它应用在图像领域。计算得到中心权重后添加在VLAD特征量化的部分,目的是提高显著性强的中心词的作用,降低无效词汇的作用,使VLAD量化后得到的图像表示在局部性上更加优秀。3)提出了一种改进c-MI的检索方法,针对本文提出的基于全局特征和局部特征进行检索级别的特征融合,进而结合基于图的重排序方法,对初始检索的结果进行一个优化,得到更符合相似性要求的检索结果。