随着对地观测技术的蓬勃发展,遥感图像规模日益庞大。如何精确高效地从大量遥感图像中检索出需要的图像,已经成为遥感领域研究的基本问题之一。卷积神经网络（Convolutional Neural Network,CNN）能够较好地表达遥感图像的语义信息,因此基于CNN的检索方法受到越来越多的关注。但是遥感图像内容复杂,细节信息丰富,单一 CNN特征不能全面表达遥感图像的内容,且CNN特征容易存在信息冗余。本文针对上述问题,围绕特征融合和哈希学习展开研究,主要工作如下:（1）为保证遥感图像检索的精准性和高效性,提出了基于高层特征融合与监督核哈希的方法。首先,通过迁移学习将原始尺寸图像输入到多个预训练CNN提取高层特征。然后,对提取的高层特征进行全局最大池化,以保留图像的显著信息。接着,通过特征串联和相加的方式融合多个CNN的高层特征,以提升特征表达力。最后,为了减少融合特征的冗余信息,采用监督核哈希将高维融合特征映射为低维哈希码,从而有效提升图像检索精度和检索效率。（2）为进一步提高遥感图像的特征表达能力,提出了一种基于多层特征融合与哈希相似度结合方法。首先,在不同输入尺寸下提取不同CNN的高层特征和中层特征,以更好地表达图像不同尺度的信息。然后,通过特征变换来统一不同特征的维度,并通过逐元素相加得到相应的中层融合特征与高层融合特征,再对不同融合特征采用不同的池化方法,以在降低特征维度的同时保留显著的细节信息。最后,将两组池化后的特征分别映射为两组哈希码,根据检索结果自适应地给两组哈希相似度分配权重,并将其结合在一起,从而优化检索的排序结果,以取得更好的检索性能。（3）为验证上述两种方法的有效性,在两个常用的遥感数据集UC Merced和WHU-RS19进行实验对比。实验结果表明融合不同CNN特征能综合不同网络的优点,且融合不同层次特征有利于表达图像不同尺度的信息,有效提升特征表达能力。监督核哈希能有效降低融合特征冗余且哈希相似度结合的方法有利于突出不同特征优势,进一步提升检索性能。综上所述,不同CNN的融合特征能更好的表达复杂多样的遥感图像,监督核哈希能降低融合特征的冗余信息,进一步提升融合特征的性能。哈希相似度结合的方法能够进一步优化检索结果,因此该研究具有重要的理论意义和实用价值。