信息技术和硬件设施的不断发展进步,使得数字图像中包含的数据量不断增加,图像处理及应用开始受到人们重视。尤其是在遥感图像检索、农作物种子分类及检测、路面裂缝检测、医学图像分割等应用领域,图像中所包含的信息的精确分析将对使用者提供很大的帮助。而随着计算机领域的快速发展,人们开始尝试将“如何看见并看懂图像”这一人类感知世界的重要方式赋予给计算机,随之出现了计算机视觉这个概念。而计算机视觉任务在对图像进行理解和分析的过程中,对于图像的特征提取是非常关键的一步。本文从两个计算机视觉中遥感图像检索和路面裂缝检测两个应用领域入手,在当前已有方法的基础上进行算法改进,旨在挖掘卷积神经网络的特征描述能力,进而提高检索、检测等计算机视觉任务的效率和精准度。本文研究内容:1.为了解决特征提取过程中类内样本相似度差异大的问题,提出了一种基于相似性保持损失（Similarity Retention Loss,SRL）的深度度量学习方法。从样本挖掘、网络模型结构、度量损失函数等方面对现有的度量学习方法进行了改进。在样本挖掘方面,重新定义了困难样本和简单样本,并根据样本集合大小和数据集类的空间分布分别挖掘了合适的正样本和负样本。同时,在度量损失函数方面提出了相似性保持损失的概念。根据类别中难易样本的数量情况为挑出来的难样本分配不同的学习系数,通过这种方式学习相同类别样本的空间结构特征。而负样本则根据空间中同一范围内样本的空间分布给予不同系数,以此来保持相似性空间结构特征。最后使用针对遥感图像数据特征进行修改后的微调网络对两个遥感数据集进行了大量综合实验。2.对于特征提取过程中类间差异小导致样本区分困难的问题,结合深度度量学习两种损失函数设计思路（即结构损失和基于结果的损失）,提出了全局感知排序损失（Global-aware Ranking Loss,GRL）模型,这是一个基于特征空间和检索候选列表的全局优化模型。并且提出对于每个数据集中的每个类别来说,类内样本之间的相似度是不同的,因此需要学习的样本和样本数也应该是不同的。提出类内空间样本挖掘（Intra-class Space Sample Mining,ISSM）,即根据样本的分布情况选择错位样本,而不是像通常那样人为设置样本挖掘的边界阈值。3.针对更加困难的计算机视觉任务,即从复杂背景中自动提取并区分裂缝,提出一种结合Residual注意力机制的Octave U-Net网络模型,解决特征提取过程中前景和背景不平衡的问题。通过结合Octave卷积和Octave转置卷积,并根据网络特点选择Residual注意力模块辅助模型捕获不同类型的图像特征,同时防止U-Net网络随着网络深度的增加丢失底层语义信息。并且提出改进的加权交叉熵损失,该损失既稳定而且解决了类别失衡问题。