随着互联网的迅速发展和智能设备的普及,网络上图像数据呈现出爆炸式的增长,如何从大规模图像数据库中快速且准确的检索出所需图像是一个亟待解决的问题,而图像检索技术为实现这一目标提供了技术支撑。当前,基于内容的图像检索技术取得了长足的进步,尤其是深度学习算法为图像检索提供了高质量的图像特征,缓减了“语义鸿沟”问题,提高了图像检索的准确性。在此基础上,本文提出了基于多层次语义的图像检索来进一步缓减“语义鸿沟”问题。该模型通过构造多层语义树来捕捉类与类之间的关联性,并将其表示为语义标签向量,接着将语义标签向量融入到深度学习模型中来提取高质量的图像特征。与传统的图像特征方法相比,该模型考虑了多层次语义之间的关联从而提高了检索精度。虽然基于多层次语义的深度学习网络模型能得到高质量的图像特征,但是也造成特征的维度较高。为了保证在大数据集检索时的效率,本文引入哈希方法,提出了深度Hash的图像检索模型。在RestNet网络末端添加Hash层,并设计了新的损失函数。损失函数中添加了正则项来代替添加阈值进行二值约束,使得模型的Hash层能有效的学习Hash函数来输出二进制的哈希码,机器通过比较图像低维度的二进制码可以快速的完成检索任务。在此基础上,本文结合了两种模型方法,设计了基于多层次语义和深度Hash的图像检索系统,系统采用了由“粗”到“精”的分层检索策略来进行图像检索。最后为了验证本文方法的有效性,在Cifar100和ImageNet数据集上进行了实验。基于多层次语义CNN模型比传统图像检索方法分别提高了6%-12%的准确度。而本文中基于Hash的CNN模型对比非Hash方法,在检索速度上提高了10倍以上。本文设计的检索系统融合两者的优点,既提高了检索的速度,又保证了检索的精度。