商标是一种重要的知识产权。随着商品经济的快速发展和知识产权保护意识的增强,无论是商标注册申请量、商标注册审查量还是有效注册商标量都在不断增加。截止2019年底,我国的有效注册商标量已达到234万件,近五年来,商标申请量多达2643万件,而且每年以约500多万件的速度在增长。如何从海量的商标库中快速有效地查找感兴趣的商标是开展商标应用和保护的基础和关键。然而,目前的商标检索系统存在着图像标注成本过高和特征学习不足的问题,导致大规模的商标检索效果并不理想,大大降低了商标检索的应用范围。针对商标检索系统存在的问题,本文在无监督特征学习的基础上引入了注意力机制模块,提出了基于注意力机制的无监督商标检索方法,此外,分析了不同层数的神经网络和不同数量的数据集对提出方法性能的影响。本文的主要研究工作如下:1、针对现有商标特征提取方法无法有效捕捉重点区域的关键信息和图像标注成本过高的问题,本文提出一种基于注意力机制的无监督商标检索方法。该方法基于实例区分算法,将注意力模块同时运用在神经网络特征映射层的空间维度和通道维度上,增强了无监督特征网络的特征表达能力,实现了无监督商标检索。2、本文研究了残差网络(Res Net)层数对基于注意力机制的无监督商标检索方法的影响。通过在最常用的Res Net18、Res Net34、Res Net50不同深度的网络加入注意力模型进行实验,使用归一化平均排名的评测指标分析了网络不同层数对提出方法性能的影响。3、本文开展了数据增强对基于注意力机制的无监督商标检索方法的影响分析。研究了基于生成式对抗网络的数据增强方法,分析了生成不同数量的商标数据对提出方法性能的影响。本文利用具有代表性的商标数据集METU对基于注意力机制的无监督商标检索方法进行验证和分析。实验表明本文提出方法的检索效果优于传统的商标检索方法,甚至优于一些有监督商标检索方法,同时,实验也表明了随着残差网络深度增大,注意力机制对残差网络的特征表达能力提升更加明显。并且,也验证了基于生成式对抗网络的数据增强方法对无监督特征网络的性能有一定的提升。