随着互联网的普及,特别是近几年移动互联网的普及,网络中的图片资源越来越多。因此对于从众多图片中检索相似图片,传统的基于文本的图像检索技术人工给图片打标签的方式已经不能满足要求了,所以基于内容的图像检索技术(CBIR)就出现了。基于内容的图像检索技术首先需要对原始图片做特征提取,得到图片对应的特征向量。原始的图像数据库通过特征提取后就可以得到一个图像特征数据库,然后再对图像特征数据库建立索引,优化检索速度。关于原始图像的特征提取,有一些传统的方法,比如Gabor滤波、直方图、LBP算子、SIFT算法、HOG等等,这些方法基本上是根据图片的一些梯度,纹理或者颜色等信息进行特征提取。虽然这些方法都有不错的效果,但是确只是提取了图像的底层视觉特征,与人对图像的认知存在较大的差距,即没有提取到图像的语义信息。深度学习的出现解决了这个问题。深度学习的模型,比如卷积神经网络,借鉴了人脑视觉机制,模拟了人类对图像的认知过程,通过逐层的抽象直到图像的类别,得到图像的高级语义特征。深度学习模型不仅可以学习到图像的高级语义特征,而且这个学习的过程还是一个自主的学习过程,大大方便了海量数据中的学习。提取特征得到图像特征数据库后,还要基于此建立索引。CBIR的索引方法主要分为基于树的空间划分索引方法和基于局部敏感哈希的索引方法。由于基于树的方法在数据有较高维度的情况下性能较差,所以目前主流的方法基本是基于局部敏感哈希的方法,而基于局部敏感哈希的方法有一个通病就是随着检索结果的增多整体的检索精度下降很快,基于此本文提出了一个树与哈希结合的索引方法,该方法的特点在于通过GINI指数等信息提纯的手段以基于树的空间划分方法对图像特征库进行空间上的划分得到若干部分,使得这若干个部分的特征子集信息纯度比较高,然后再对这些特征子集分别建立哈希索引。实验结果表明随着检索返回结果的增多,结合了空间划分的哈希算法比原声哈希算法效果更好更稳定。