近年来网络用户的搜索语句逐渐复杂化,这对查询技术有了更高的要求,需要在大规模地图片数据海洋中寻找到与查询相匹配的图片。当前对于复杂查询的处理步骤是首先将用户的查询文本映射成多个概念,再利用每个概念检索其相对应的图片,最后将结果进行融合。为了解决上述问题,本文首先提出了基于权重的深度学习网络模型。该模型的首先利用当前概念和其相关概念在训练数据集中的出现频率计算出每个概念相对于训练数据集的概念权重。随后本文采用卷积神经网络(CNN)提取训练数据集中的图片特征,并结合上述概念权重表得到每个概念的概念分类器。其中当前概念的相关概念是通过两个概念在训练数据集标签中共同出现的频率决定的,考虑相关概念的意义在于充分了解不同概念对于训练数据集的重要性,为后续的概念分类器的分类准确度打下基础。在测试阶段,本文采用基于语义距离的匹配方法将给定的复杂查询文本映射到相应概念上,并通过计算概念在标签文本中的TF-IDF值获得不同概念分类器在投票时的权值。最后利用线性融合的方法将所有概念分类器和其权值线性组合得到总概念分类器,并由总概念分类器判断与所给查询文本相匹配的图片列表。相对于传统的平均投票法,本文采用的加权分类器投票方法充分利用了训练数据集中的标签信息,提升了网络模型的泛化能力。为了验证本文方法的有效性,本文分别在两个数据集上对该方法进行了实验验证。实验结果证明,该方法能更加准确的查找到与查询相关的图片。其中在MIRFlickr数据集和NUS-WIDE-LITE数据集上,该方法比当前最优方法(LTRCS)在平均准确率上分别提升了3.7%和4.1%。