随着大数据和人工智能技术的迅猛发展,越来越多的计算机视觉问题都选择借助于深度神经网络来解决。手绘图像检索(SBIR,Sketch-Based Image Retrieval)作为图像检索领域的一个重要分支,近年来也有研究表明可以通过深度学习提升检索的精度。传统意义上的手绘图像检索大多根据人工定义的规则进行特征计算和相似度匹配,检索结果一般为轮廓相近的图像,缺失了图像的完整语义信息。同时,由于手绘图像固有的歧义性,手绘图像和自然图像之间存在语义上的“一对多”的类别映射关系。从用户角度分析,同样一张手绘图像可能表示多种不同事物的语义。再加上用户绘画水平具有千差万别的特点,因此检索结果一般不能完全满足用户的需求。本文基于上述手绘图像检索领域存在的几项挑战,创新性的提出一种适配该领域的深度全卷积神经网络结构用于手绘图像检索通用模型的训练,该模型具有较强的泛化能力,在Flickrl5K数据集上测试取得了近些年以来较高的平均准确度(MAP,Mean Average Precision)。基于预训练好的通用模型和用户反馈选择的结果图像构建个性化模型训练数据集,将用户历史选择图像信息与输入手绘图像信息联合作为输入,使用迁移学习思想调节通用模型参数,使得神经网络做到细粒度的图像语义特征学习。本文首次提出利用迁移学习的思想解决草图检索领域的个性化问题,实验表明,通用模型迁移后可以实现细粒度的图像语义特征学习,从而满足用户输入手绘图像的个性化检索需求。通过上述研究,本文针对用户个性化的草图检索提出了一个完整的解决方案和创新性的应用算法模型。