基于草图的跨域图像检索旨在根据输入的手绘草图与数据库中彩色图像的相似性度量返回彩色图像排序结果。该检索可以在基于文本的图像检索不准确或基于内容的图像检索中彩色图像难以获得的情况下，通过输入手绘草图完成图像检索任务。虽然相对于传统的图像检索算法，现有的草图检索算法效果得到了较好的提升。但是草图与彩色图像的特征映射与跨域检索等问题仍然没有得到较好的解决。因此，本文从网络结构与多损失函数优化两个方面，提出了两种基于草图的跨域图像检索算法。
　　在网络结构优化方面，本文提出了一种基于混合网络的草图检索算法。该模型由一个草图特征提取网络分支和两个相同的彩色图像特征提取网络分支构成。彩色图像特征提取网络分支由异构特征融合网络组成，将彩色图像及其草图近似图(彩色图像轮廓)输入两支并行特征提取网络并在全连接层进行特征融合。通过这种方式，异构融合网络可以学习到同时包含图像细节与轮廓信息的跨域共享表示特征，将共享特征作为彩色图像特征以减小草图与彩色图像的跨域差异。此外，本文使用草图数据扩充方法，同时结合三元组损失函数与多步训练方式对网络进行训练。最后通过对模型参数分析与网络结构设置等探索优化检索结果。
　　在多损失函数优化方面，本文提出了一种基于多监督学习的草图检索算法。该算法采用多子网络联合监督优化的方式最大化域内和域间特征的相关性，学习跨域特征间的公共表示。针对域内学习，本文提出在特征提取网络后加入分类子网络与重建学习子网络，以实现域内类别可区分性以及域内高层语义特征一致性；针对域间学习，本文提出在特征提取网络后加入跨域同分布学习子网络与三元组排序子网络，以保证草图与彩色图像在同一空间中的同分布映射以及域间同类特征的聚类。最后通过对模型分析并与其他方法对比总结，证明该算法的有效性。