现如今已经踏入大数据时代,从科研价值和应用价值的角度来说,基于内容的图像检索技术都体现出其重要性与优越性。在众多图像检索算法中,基于深度卷积神经网络的图像检索算法凭借其强大的非线性拟合能力受到了科研工作者的广泛关注。本论文对如何提高基于深度卷积神经网络的图像检索模型这一问题进行深入探究,对模型的损失函数、全连接层特征与卷积层特征的表示能力进行了优化提升。首先,第一章从研究背景与意义的角度,对基于内容的图像检索技术进行概括论述,分析目前主流应用的若干图像检索算法的特点,结合当前实际应用情况指出这些算法的不足之处,从而引出本论文的主要内容。然后,第二章从卷积神经网络结构展开讨论,以代表性较高的深度哈希检索模型为核心进行分析,针对该模型在实际应用中出现的问题提出解决方案,总结得出本论文的强化损失的深度哈希模型,将图像的相似度矩阵扩展到自然数的范围,强化近似的哈希码刻画图像相似性的能力。该模型不仅对图像的相似性进行判断,而且能够详细地刻画图像之间相似程度。而且,本章从理论上推导出量化误差的上界,并通过优化这个上界,得到量化误差较小的哈希码,最后推导出梯度的反向传播公式,提高了模型的检索性能。接着,第三章利用强化特征的思想,提出了一种强化卷积特征的深度哈希模型。论文首先可视化了各层卷积层的特征所包含的信息,构建了特征空间到像素空间的映射,并对最后一层卷积层的特征图进行线性组合,总结了卷积层特征图上激活值的分布与网络性能的联系。通过对卷积层特征图进行局部增强,强化了有效的特征,削减了冗余的特征,然后推导了增强卷积层梯度的反向传播公式,提升了网络性能。此外,本章设计了一个折线整流激活函数,通过优化精心设计的损失函数得到更加鲁棒的哈希码,提高了检索精度。接下来,论文的第四章提出了一种深度强化乘积量化检索模型,本章介绍了卷积神经网络中常用的Softmax分类器在度量学习中的缺陷,并且指出影响乘积量化方法性能的主要原因。针对以上问题,本章设计了一个分段的中心损失函数,强化了全连接层的特征分布,提出了使用卷积神经网络来拟合乘积量化的子空间划分和编码过程,训练出具有分段簇分布的特征,结合哈希方法的优势,对每一个簇中心进行哈希编码,可以在短时间内扫描大量的数据,有效地降低了量化误差并提高了检索性能。最后,第五章总结了本论文的写作与探究过程。