随着计算机技术在多媒体领域的快速发展及应用,文物图像的数量越来越多,这些也成为智慧博物馆建设的重要数据资源。但是目前在博物馆的调研过程中发现,这些图像数据并未被高效地利用起来,尤其是在图像检索方面仍停留于原始的人工标注阶段,依赖基础的文本信息进行检索。当图像质量较差或规模庞大时,人工标注工作的效果往往就显得捉襟见肘,信息标注的质量层次不齐,仅依赖文本特征词得到的图像检索结果也较差。因此,针对上述问题,本文提出一种基于深度残差网络的博物馆文物图像检索方法。本文的主要工作如下:（1）图像数据方面,通过网络爬虫等手段获取基础文物信息,整理归类后自建文物图像数据库,共包括青铜器、陶器、瓷器3个大类11个小类,每个大类400种文物,每张文物4张图像左右,共计4780张图像,得到原始数据集。（2）图像预处理方面,针对文物图像背景对特征提取存在干扰的问题,提出一种改进Deep Lab v3+网络的背景分割模型。采用深度可分离卷积操作替代原有模型编码过程中的普通卷积操作,同时在解码阶段使用3层3×3深度可分离卷积进行通道分离,增强图像的深度信息获取。通过实验,本改进方法分割结果光滑清晰,且平均分割耗时较低。在应用于当前的自建文物图像数据库进行实验时,该方法相较于Grab Cut模型平均耗时减少4.7s,相较于Deep Lab v3+模型平均耗时降低0.76s。（3）图像检索方面,针对文物图像特征提取单一,相似度检索效果差的问题,提出一种基于Res Net50改进的深度残差网络模型。在残差网络的结构中,整体池化采用最大值池化方法,构造基准网络Res Net50-IBN-a的残差块。此外去除第一个最大值池化层,在具体的残差模块1×1卷积核进行下采样工作前新增一层2×2的平均池化层,进一步降低残差网络模型的复杂度。本改进模型与经典深度学习检索模型进行对比,收敛速度较快,特别地,相较于Res Net50检索准确率提高2.6个百分点左右。（4）设计并开发了一种基于残差网络的文物图像检索系统,包括文物概览、用户管理、图像管理、图像检索及归类四个模块。本文针对博物馆现有系统进行图像处理时所遇到的难题入手,采用改进的算法增强图像检索精度,实现更好的数据管理。