随着互联网与多媒体技术的快速发展,网络上图像数据呈现爆炸式的增长,快速的从海量图像数据库中搜索到特定的图像,已成为图像检索领域研究的热点问题。由于深度学习算法在图像特征学习方面具有很强的学习能力,并且哈希算法在进行信息检索中具有独特的优势,因此基于深度学习的图像哈希检索成为图像检索系统的主要研究方法。针对传统复杂的深度学习网络模型增加了哈希函数学习难度的问题,在AlexNet神经网络模型的基础之上,通过改进损失函数和添加全连接层,提出了一种基于改进AlexNet神经网络模型的图像检索方法,进而提升系统图像检索的效果;另外,针对网络模型全连接层参数过多的问题,本文研究了一种基于NIN网络模型优化的图像检索方法,进而避免过拟合现象。论文的具体工作内容如下:本文提出了一种基于改进AlexNet网络模型的图像检索方法,通过在AlexNet网络模型后添加一层全连接层用于学习图像的哈希函数与二进制哈希码。利用迁移学习的思想将在ImageNet数据集上训练好的网络模型对目标数据集进行微调,使得在已有的大数据集上训练好的网络模型应用于新的数据集。为了使系统输出的类二进制码更逼近于期望的离散值,本文通过编码输入图像对的监督信息,设计了一个损失函数用以最大化输出空间的可分辨性。本文研究了一种基于NIN模型优化的图像检索方法。由于传统广义线性模型对非线性可分的数据适用性较差,因此本文利用MLP卷积层代替传统的卷积层进行图像特征提取的方法,用以增强网络提取抽象特征和泛化的能力。并且为了加强特征图与类别的一致性,采用全局均值池化替代传统CNN中的全连接层的方法,减少网络中的参数个数,进而避免网络模型产生过拟合现象。在标准数据集CIFAR-10和NUS-WIDE上,对本文提出的基于AlexNet改进的网络模型和基于NIN模型优化图像检索方法进行相关的实验验证,实验结果表明本文提出的图像检索方法具有较高的检索效果。