随着因特网的不断普及,社交媒体的广泛应用,因特网上的媒体数据有了喷井式的增加,生成了海量的信息。所以在海量图像中,检索到用户所需的图像成为了一大难题。目前,图像检索已经成为研究热点。而传统的基于内容的传统的图像检索方法一般采用单一服务器,耗时较长,早已不能满足人们的发展需求。所以,研究方向开始转向分布式处理,因为分布式的处理能够快速地进行图像处理,减少图像处理计算耗费的大量时间。本文使用卷积神经网络模型,通过不断训练学习,提取出图像的特征向量,用于表征图像的细节内容,然后对特征向量使用局部敏感哈希算法,计算出向量对应的哈希码,然后根据不同哈希码之间的汉明距离,判断图像之间的相似距离,检索出候选的图像集合,为了进一步的提高检索的准确性,对候选图像集合的特征向量,而非哈希码,进行相似度度量,最后检索出查询图片邻近的图像。为了保证检索系统的检索效率和扩展性能,本文采用Hadoop云平台的并行计算能力,通过使用MapReduce并行化的计算编程框架,实现对图像检索算法的分布式运算,解决在单机环境下的运算限制。本文先在Hadoop上搭建的集群,针对集群中不同节点数量的实验环境,对本文设计的算法进行实验验证,对比Hadoop平台和单机环境的运行时间,分析图像检索算法的查准率和查全率。实验结果表明,采用本文设计的图像检索算法,检索计算出的查准率更高,而且采用Hadoop集群,根据用户需求,灵活的使用集群资源和节点数目,运行图像检索算法,本文设计的系统能够很好地进行扩展,而且,对于实验所用的数据集,相比于单机环境的运行,在Hadoop系统上运行的时间有了大大的缩短,而且随着采用的样本图像越多,Hadoop系统的分布式处理优势表现越明显,算法执行效率有了明显提高。随着执行运算的节点数目的增加,算法执行的时间有了进一步的缩短,表现了系统较好的扩展性。