基于内容的图像检索能够克服单纯基于文本的图像检索在主观性和歧义性方面的缺点,而对图像内容的描述和特征提取是决定基于内容的图像检索性能的最关键因素。随着视觉显著性理论和深度学习技术的发展,人们尝试从视觉显著性以及利用卷积神经网络学习图像特征的角度来缩小图像可视化特征与图像语义之间的语义鸿沟,并取得了一些卓有成效的成果。本论文在分析图像显著性的基础上,提出一种基于图像显著区域特征和深度学习的图像检索模型,同时设计并实现了相应的图像检索原型系统来验证本文算法的性能。首先,为了准确地提取图像显著区域,本论文设计了一种基于显著图的全自动图像分割算法——AutoGrowCut。该算法使用多尺度显著性检测算法得到显著图,对显著图进行初步阈值分割后使用形态学处理得到分割的预标注,在标注的基础上使用元胞自动机算法提取显著区域。AutoGrowCut在降低了人工工作量的同时能够基本达到人工分割的效果。通过将本文分割算法应用到图像检索中,实现对图像特征的更加准确的描述,以提升检索准确度。然后,为了缩小图像检索的语义鸿沟,本文研究了一种基于图像显著区域的分类方法来获取查询图像的语义类别,检索同类别的相似图像,进一步提升检索准确度。本文用图像显著区域代替原图作为网络输入,可直接获取图像显著区域语义类别,克服了背景信息的干扰。实验选用THUR图像库和ImageNet图像库中图像进行测试,结果显示本文方法能提升图像分类准确度。最后,综合本文提出的基于图像显著区域特征和深度学习的图像检索算法和模型,设计并实现了一个图像检索原型系统,包括图像显著区域特征库离线建立模块、卷积神经网络分类器离线训练模块、图像在线类别判定模块和图像在线检索模块。通过实验表明基于显著区域特征的图像检索将查准率从基于原图特征的68.75%提升到81.25%,考虑深度语义信息能进一步优化查准率,实验验证了本文基于图像显著区域和深度学习的图像检索的有效性。本文研究的图像检索模型符合人类视觉感知特性,对于促进图像的信息提取和图像的准确检索具有理论及应用价值。