随着大数据时代的到来以及移动互联网的普遍使用,电子商务行业得到了迅速的发展。商品图像检索作为电子商务的重要技术支持,得到了更多的关注。如何提升商品图像检索的速度和准确率以满足用户的需求亟待解决。经典的图像检索系统主要是基于文本信息的图像检索(Text-based Image Retrieval,TBIR)。然而文本数据信息具有一些难以解决的局限,很难准确描述出图像信息,且十分依赖用户输入的搜索关键词是否是准确的。相反的,基于内容信息的图像检索技术(Content-based Image Retrieval,CBIR)能够很好地解决这些问题,因为图像本身能够提供更多的信息。在CBIR中,是否能提取到具有区分性的图像特征直接影响了整个检索系统的性能。本文深入讨论了传统方法和深度学习方法在商品图像检索领域的相关研究,总结了面向大规模商品图像检索的研究现状。传统方法相对于深度学习方法具有难以描述全局信息、计算复杂度高、难以描述具体对象及无法考虑对象的空间位置等局限性。近年来深度学习表现出优越的性能,深度学习备受关注并迅速占领主导地位。本文基于卷积神经网络进行方法研究,研究内容是面向大规模商品图像的高效检索方法。面向大规模商品图像检索主要的技术难点有以下四点:1)庞大的数据规模。2)不同种类间数据量差异大。3)被拍摄商品的尺度相差较大。4)图像尺寸不一。针对大规模商品图像检索的难点,本文基于卷积神经网络设计了相应方法以完成快速且准确的检索。提出了融合金字塔池化策略与深度强相关哈希学习的SHN(SPP-HASH-NET)模型作为本文商品图像检索方法的特征提取部分。为了使学习到的哈希码更具有区别性,设计了强相关损失函数约束哈希编码;为了提高模型对商品图像形变的鲁棒性,采用金字塔池化策略实现多尺度特征融合;为了实现高效地商品图像检索,生成哈希码计算相似度。实验结果证明,采用本文方法能够直接利用原始图像信息,能够解决图像尺度变化所带来的负面影响,通过哈希编码能够实现快速的商品图像检索。在商品图像检索实验中,模型的训练时间小于其他模型,且模型的平均准确率均值达到91.52%,检索性能优于当前主流方法。