目前大数据和人工智能与我们的日常生活的联系日益密切,商标必须经过有关部门审批通过才能得到法律的保护,随着经济的发展,商标注册数量剧增,在申请和审批时,为了避免申请的商标和已有商标相似,需对已有商标进行检索,但传统手工检索商标速度慢,存在漏检等弊端,所以本文对商标自动检索系统进行了研究。本文设计了一个自动商标检索系统,该系统由图像预处理模块、BOF模型制作模块和分类器模块构成。商标检索涉及的商标原始图像来源较广且均存在无关背景,若不将原始图像采用分割去除无关背景而直接检索,将会影响检索的精度。目前常用Grab Cut算法进行图像分割,而Grab Cut算法对复杂背景分割不精确,存在过分割和欠分割的情况,针对这一问题,本文给出了一种改进的Grab Cut算法,该算法融合了Graph Cut和Grab Cut两种算法的思想,利用Graph Cut将图片分为不同区域,通过设定双阈值判定不同区域属于背景或前景,在此基础上初始化商标图像的掩膜,再进行Grab Cut迭代,完成图像分割。从Belga Logos开源数据集中选取100张图片验证该算法,结果表明该算法Jaccard相似性指数为0.94,峰值信噪比为37.871,分割精度为94%。BOF模型制作模块通过图像特征提取和描述子生成得到图像数据信息,并将图像信息进行量化。图像特征提取是关键,目前通用的特征提取算法中FAST算法速度较快,但FAST算法存在较多的非局部极大值点和边缘噪点,对后续分类模块的性能存在较大影响。针对上述问题本文给出一种自适应阈值的特征提取算法,该算法首先根据图像性质采用K-means和图片熵方法,以自适应的方式来确定FAST检测算法中的阈值,其次使用FAST提取特征点后使用Hessian矩阵消除边缘响应,最后引入非极大抑制点排除非局部极大值点。实验结果证明,改进后的算法减少了无用特征点的数量,提升了提取精度。对商标图像量化后的数据信息进行分类,完成商标检索系统。本文从Belga Logos数据集中选取10类商标图像进行训练,形成训练集,未使用改进算法的系统训练时间为183.46s,但使用改进算法的系统训练时间为36.682s。使用训练文件进行检索,并利用PR曲线和AP值对使用改进算法的系统和未使用改进算法的系统进行分析,结果表明,使用改进算法的系统PR曲线覆盖面积大于未使用改进后系统,并且AP值由0.764提升至0.926。