随着各方面技术的成熟发展，深度学习成为了当今工业界和学术界的研究热点之一。尤其是深度学习在图像领域的重大突破为图像识别与搜索的发展带来了巨大的促进作用。然而目前主流的相似度学习算法均存在着匹配网络训练难度大、匹配计算量大等相关弊端。同时，随着神经网络层次的不断加深，特征提取网络的训练难度也在逐渐加大。　　针对以上诸多问题，本文的主要目的是能够在大数据、深层次网络模型等背景下，快速并有效地进行图像识别与搜索模型的训练与测试，同时提出新的算法提高应用系统的搜索效果。本文的主要工作内容与贡献如下:　　(1)提出了一种新的相似度学习算法——Similarity Regularization。将深度神经网络输出的特征空间同时规约到分类空间和算法指定的相似度计算空间，减少了图像搜索匹配时的计算量，并且有效地提高了特征空间的表达能力。　　(2)设计并实现了深度学习异构并行计算框架——Caffe_multicpu。该框架以开源计算框架Caffe为基础，利用MPI并行编程工具实现的，可以部署在多CPU和多GPU的环境下进行深度神经网络模型的分布式并行训练任务。　　(3)构建了一个包含70多万对图像对的数据集，使用此数据集和上述关键技术，构建了服装图像识别与搜索应用系统，为大数据基准测试提供负载和相应的测试数据集。该系统主要对用户上传的图像进行服装目标检测，并在本地数据库中对检测得到的服装目标进行搜索匹配，返回相似度最高的前K个结果。