随着多媒体技术和互联网的发展,生活中出现了越来越多的图像,如何从图像库中检索出感兴趣的图像变得越来越重要,图像检索技术应运而生,得到了越来越广泛的应用。图像的特征提取是图像检索的关键技术。基于卷积神经网络的图像特征提取技术极大地提高了图像检索的准确率。在基于卷积层特征提取方法中,基于部位加权聚合(PWA)的特征提取技术取得了最好的效果。该方法首先从图像得到的卷积特征库中选取具有判别力的通道,将该通道的特征图作为包含特定语义部位的检测器并生成空间权重,然后分别用这些空间权重加权卷积特征,再求和聚合卷积特征,并级联形成最终的图像表示。由于该方法选择了多个具有判别力的通道作为部位检测器,使得图像的最终特征表示包含了丰富的语义信息,具有很强的辨别能力。值得指出的是,PWA方法在特征提取时存在视觉爆发现象,即少数视觉元素大量重复,使得聚合后的某些特征响应突发,主导了特征的相似性度量,降低了图像的检索准确率。针对该问题,本文提出了几种方法来应对,包括幂归一化法,基于L2范数的聚合方法,基于求和聚合值的通道权重法,这些方法可以降低特征中较大的响应,增大特征中较小的响应,使特征的响应分布均衡,从而提高图像检索的准确率。另外,PWA方法中的通道选择的好坏对最终形成的特征表示起着关键作用,针对PWA方法中选择通道时,接近参数阈值附近的一些通道区分性不大,使选择的通道不能达到最优的问题,提出使用通道权重加权后的卷积层特征来进行通道的选择。该方法可以增大通道之间的对比度,便于选择更优的通道,使得检索准确率得以提高。此外,还分析了特征图方差和对应的语义信息的关系,提出了一种基于特征图方差累和值的通道选择方法,该方法可以获得具有判别力的通道,提高原PWA的检索精度。最后,根据前面的分析,设计了本文最终的基于部位和通道加权的深度卷积特征,即BSSPWA特征,它先采用基于通道权重加权后的卷积层特征选择有区分力的通道作为部位检测器,并用这些部位检测器产生空间权重,再联合通道权重对卷积层特征进行加权聚合形成最终的图像特征表示。在四个图像检索公共数据库上进行的实验结果表明,本文所提方法极大地提高了图像检索精度。