在过去的几十年中,数码技术的快速发展使得数字图像的数量出现了爆炸式的增长。特别是随着移动互联网时代的到来,每天都有数以亿计的用户通过移动终端拍摄图像并上传至网络,这些日益增长的海量图像对高效的图像检索技术提出了迫切的需求。本文首先介绍了图像检索中经典的词袋模型,该模型快速有效但是忽略了局部特征点的几何信息和空间信息,例如角度、尺度和空间坐标等,从而制约了检索性能。本文提出了一种基于密度的几何校验方法,该方法利用图像局部特征的几何信息来改进图像检索。在图像检索的重排序阶段,利用图像间局部特征匹配对在相似变换参数空间中的概率密度来加权该匹配对对图像相似度的贡献。实验表明该方法能有效地提高基于局部特征的图像检索算法的平均精度均值MAP。目前,利用卷积神经网络生成的聚合特征进行图像检索取得较好的效果,也存在着进一步提升的空间。本文的第二项工作研究基于空间加权的深度特征图像检索技术,提出了一种基于空间加权的深度特征聚合方法。本文首先改进了监督的空间加权方法——类激活图的空间加权,通过把多类别类激活图聚合操作提前来提高检索的效率,然后提出了一种基于响应均值的通道加权方法进一步提高其平均精度均值MAP,最后,把改进的基于类激活图的空间加权方法与一种非监督的空间加权方法——响应聚合加权相结合得到更好的平均精度均值MAP。