实例搜索旨在搜索图像中出现的指定人物、物体或地标,其作为基础性研究问题受到大量关注。近年来,基于深度学习的实例搜索方法相继问世,深度特征的强大性能提升了检索精度,但仍然存在特征表示方面的缺陷。基于深度学习继续深入研究实例搜索问题,构造实例级特征表示是一项有意义的工作。首先,本文回顾实例搜索框架的三个主要组成部分:图像特征表示、特征编码和检索结构。对各部分的代表方法进行介绍,并总结各自在实例搜索领域的应用情况。其次,提出一种基于实例分割进行特征表示的实例搜索方法。通过使用实例分割算法FCIS对图片中的实例进行分割和检测,预测实例坐标位置,在卷积层输出上执行ROI池化得到实例级别的深度特征。并且,参考目标跟踪数据集搭建实例搜索数据集Instance-160。通过对FCIS骨架网络的性能改进,同时提升实例分割和实例搜索两项任务的表现。所提出的实例搜索方法在Instance-160和百万干扰图片集上,同其他主流实例搜索方法相比取得优秀的检索结果。另外,提出一种基于目标提案进行特征表示的实例搜索方法。为了在实例搜索时提取到尽可能多的类别无关目标提案,同时摒弃基于目标检测的实例搜索方法中的边界框分类思想,本文直接利用全卷积网络生成类别无关的目标提案,在卷积层输出上执行ROI池化提取实例级别的深度特征。在可自学习的注意力机制辅助下,该方法生成的目标提案准确性和召回率都优于现有目标提案方法。在Instance-160和百万干扰图片集上,同其他代表性实例搜索方法的比较中,展现出良好的检索性能。最后,在图像内实例位置已知的情况下,提出一种基于三元组训练进行特征表示的实例搜索方法,并用于时尚单品搜索竞赛。基于ResNet搭建三元组网络,在图片样本对的基础上构造三元组数据,用于训练和测试。经过细致地设计和参数调优,该方法在检索竞赛中表现出良好的性能。