图像检索技术旨在从大量图像数据中检索出我们所需要的图像。由于互联网应用的快速发展,图像数据量不断增加,这对图像的特征表达以及检索速度造成了挑战。深度哈希图像检索方法在图像的特征表达和检索效率上有着其他检索方法无可比拟的优势,在大规模图像检索任务中有着重要的应用前景。深度哈希图像检索方法使用深度学习技术生成图像的特征向量。与传统的图像特征比较,通过深度学习技术可以获取到的图像特征语义信息更加丰富。在图像检索中,输入的图像中可能包含与检索目标无关的背景信息,这些信息会使得模型学习到的特征存在冗余,不利于图像检索任务。注意力机制作为提高神经网络性能的一种思路,能够调整卷积神经网络中特征图的权重,这样模型可以更加关注相关任务中重要的局部特征,从而取得更好的效果。针对这些问题,本文主要进行了两个方面的研究:1、提出了一种注意力机制LAM（Local Attention Module）,它包括空间注意力机制与通道注意力机制。空间注意力LSAM（Local Spatial Attention Module）可以捕获输入特征图中不同范围感受野下的特征,使用这些特征生成空间注意力图。通道注意力LCAM（Local Channel Attention Module）能够捕获不同范围内的通道交互信息,将这些信息融合生成通道注意力图。把通道注意力模块与空间注意力模块组合使用,作为提高卷积神经网络性能的一个组件。实验部分对比了其他几种经典的注意力模块,将不同的注意力模块添加到基准模型中,在两个数据集上验证了 LAM注意力模块在分类任务中的性能。实验最后使用类激活热力图的方式更直观地展示注意力模块的作用效果。2、将LAM模块应用于深度哈希图像检索方法,设计了深度哈希图像检索模型:LAMDH。在图像特征提取网络中加入LAM模块提高模型的性能。由于图像的特征学习方法通常有两种:基于分类任务的特征学习和度量学习,本文也针对这两种不同的方法使用不同的损失函数训练图像检索模型,在两个数据集上验证了 LAMDH模型的性能,提高了模型在图像检索任务上的准确度。