随着科技的进步,互联网的发展以及手持终端的普及,每日将产生海量的数字图像。怎么根据用户提供的图像在海量图像中找到精确相似的图像,已经成为近几年研究的热点问题。但是传统的利用人工定义的特征,进行基于内容的图像检索因为特征的片面性而不能准确有效的检索出相似图像。随着深度学习的发展,卷积神经网络在图像分类方面表现出优秀的性能。本文提出一种利用卷积神经网络和等距映射算法的图像检索算法,能够有效提升检索的相关性和准确率。首先,本文对传统的基于内容的图像检索相关理论进行了深入学习,并对深度学习领域的基础理论进行了研究,并着重对具有图像分类性能优越的多种卷积神经网络进行了分析了解。最终选用深度卷积神经网络通用特征提取器网络模型。其次,基于对卷积神经网络应用到图像检索技术的深入研究,本文从两个方面对整个图像检索过程进行改进。第一,对特征提取过程进行改进。具体是通过在深度卷积神经网络通用特征提取器网络模型中添加Sigmoid全连阶层,以获得与图像特征向量对应的二进制序列。此操作具有的优点是,既可以保证新网络结构在图像分类性能上不降低,同时能够获得与图像相对应的二进制序列。此做法的目的是在图像检索过程中可以先依据图像的二进制序列从图像特征向量库中筛选出类似的图像特征向量集合,然后根据特征向量进行进一步的相似性筛选。第二,对图像检索过程进行改进。与传统方法中根据图像的特征向量直接进行相似性测量来获得与输入图像相似的图像不同,本文提出首先使用图像二进制序列进行类级别的类似图像特征向量集合的选取,然后对该集合的特征向量使用等距映射算法进行处理。这样做的优点是不但可以有效降低特征向量的维度,而且可以有效提升检索准确率。最后再使用欧氏距离相似度测量技术检索出相似的图像。最后,经过采用通用的图像数据集对本文提出的改进检索算法进行了实验验证,结果证明该方法能够有效提升检索准确率,并且检索出的相关图像优先被排序到前面。