近年来,随着互联网的快速发展,网络中的图像数量也在与日俱增。如何快速有效的管理这么多的图像数据是一个有待研究人员去解决的难题。目前流行的图像检索方法主要有基于人工特征的图像检索方法以及基于深度学习的图像检索方法,本文分别对这两大类图像检索方法进行了研究和创新,改进了基于SURF(Speeded Up Robust Features)特征点的图像检索方法以及基于Siamese网络的图像检索方法。本文的主要工作和创新点如下:(1)针对现有的基于局部特征描述子的哈希编码方法抗旋转以及抗尺度变换鲁棒性差的特点,提出了一种新颖的基于SURF和聚类算法的图像感知哈希编码方法。在使用感知哈希编码方法检索出待匹配图像集合后,再使用SURF特征点匹配从中选出最终结果。针对现有SURF特征点匹配算法时间复杂度高的特点,提出了一种新颖的SURF特征匹配算法,该算法相比原有的匹配算法大大提高了匹配实时性与鲁棒性。通过实验表明了该图像检索方法具有很好的鲁棒性和实时性。(2)针对现有的手工局部描述子并不能在所有情况下保证有较优的表现,本文采用Siamese卷积神经网络学习出一个相似度函数,对图像间的相似度进行比较。针对现有的Siamese网络旋转不变性以及平移不变性较一般的情况下,本文使用SURF算法为核心构造了一个旋转以及平移不变性模块。为了提高模型的尺度不变性,在卷积层以及全连接层加了一个金字塔池化层以及尺度不变层,并对目标函数加了一项正则项。实验表明,经改进的网络模型在鲁棒性方面优于现有的Siamese网络模型。