基于内容的图像检索在视觉领域受到广泛关注。检索主要分为两个步骤,先提取图像的特征,然后在数据库中查找与目标图像特征近似的图片。其中最为重要的一步便是图像的特征提取。随着图片数据量越来越大,我们希望用于检索的图像特征可以包含足够信息,即能够是具有语义信息的特征,其次希望特征维度低,从而可以降低特征的存储成本,最后希望特征足够简单,从而可以加快检索速度。近些年,基于深度学习的深度卷积网络在计算机视觉领域取得了巨大的成就,卷积神经网络提取的特征能够很好的表达一张图片的内容,并且卷积网络同时可提取图像的低级局部特征和高级语义特征。越来越多的基于深度学习的图像检索算法被提出。本文基于对图像检索的特征特点思考,因此进行如下几部分的研究工作:1.针对丰富特征内容,研究了基于深度卷积神经网络特征融合的图像检索算法。首先,对卷积层各层特征以及不同尺度卷积核提取的特征进行可视化,分析其不同的特点。然后进行了两种特征融合的方法研究:(1)基于不同层的特征融合算法。(2)基于不同尺度卷积核提取的特征融合算法。2.针对降低特征维度和复杂度,研究了基于深度随机VLAD的哈希检索算法(RV-SSDH)。首先,利用经典卷积神经网络提取图像的卷积特征,然后将卷积特征进行随机VLAD降维,将降维后的特征进行哈希编码,最后生成了低维的哈希码。该算法在降低了特征维度的同时,还利用哈希算法降低特征的复杂度,并且可通过汉明距离来计算特征之间的距离,极大加快了算法的检索速度。将其与其他算法进行对比,展现了RV-SSDH的优势。