随着互联网大数据时代的到来,图像数据作为其中重要的数据形式得到了大规模的增长。面对如此庞大的图像数据,如何快速且高精度的对其进行高效检索,进而满足用户对感兴趣图像的快速浏览和查询需求,是目前亟待解决的问题。深度学习是大数据时代应运而生的产物,是人工智能领域必不可少的关键技术,并且可以有效地从大数据中自动学习特征。同时,图像分类技术可以在一定程度上对图像数据进行自动分析与理解,进一步达到与用户的认知相一致。深度学习以及图像分类技术的快速发展与完善,为图像检索技术的优化提供了重要的技术支持。针对传统基于内容的图像检索存在着低层视觉特征与用户对图像理解的高层语义不一致、图像检索的精度较低以及传统的分类方法准确度不高等问题,提出了一种基于深度学习和相关反馈的图像检索方法。采用深度学习框架中自学习能力良好的卷积神经网络进行图像特征提取,通过多层神经网络的监督学习从原始图像数据中提取出丰富的图像特征,并将支持向量机作为基分类器对提取到的深度特征进行分类,分类前需将原始数据集分为训练集和测试集,为了提高分类准确度以及速度,采用多距离结合的Top-K排序方法来合理筛选训练集,根据筛选后的训练集来训练最优超平面,再将测试样本数据到分类超平面的距离进行排序得到检索结果,采用相关反馈策略对检索结果进行重新调整。实验结果表明,在Corel5K数据集和UC Merced Land Use Dataset遥感图像数据集上与其他检索方法进行对比实验,在多种精度评价指标下,本文方法都优于对比方法,对提升检索性能具有重要意义。该论文有图28幅,表6个,参考文献52篇。