近年来,随着互联网的普及以及社交网络的发展,图像检索技术得到飞速发展。目前,图像检索的特征提取方法主要有基于人工特征提取的图像检索技术和基于卷积神经网络特征提取的图像检索技术这两种,其中基于卷积神经网络的图像检索技术有效的解决了检索效率较低的问题,在较大程度上提高了图像检索的速度与精度。因此,基于卷积神经网络的图像检索技术成为目前最常用的图像检索技术之一。然而其仍然存在以下三个关键问题有待解决:(1)图像特征与人类所感知的图像之间依然存在一定的“语义鸿沟”;(2)图像编码的维度升高时,图像检索效率较低;(3)针对不同域的数据集,其对应特征提取方法不同,不具有鲁棒性。本文在现有工作的基础上为进一步解决以上三个问题进行了如下研究:(1)针对“语义鸿沟”和检索效率降低的问题,本文提出了基于融合隐层特征编码(FLFE)的图像检索技术。FLFE通过对卷积神经网络结构的修改实现局部隐层和全局隐层的特征融合,使得图像编码不仅包含局部特征信息而且包含全局特征信息,从而缩小了“语义鸿沟”,并提高了图像检索的精度。同时,FLFE使用隐层固定长度编码技术,把特征固定到相对较小的维度,使得图像的编码变得更加紧凑,进而进一步解决了检索效率的问题。(2)针对同一类型的特征提取方法无法适用于不同域图像检索的问题,本文提出了拥有鲁棒性的基于压缩多层特征编码(CJFE)的图像检索技术。CJFE通过联合卷积神经网络的多层特征实现特征的融合,从而缩小了“语义鸿沟”并提高了图像检索的精度。同时,CJFE充分利用深度卷积网络编码的稀疏性,在保证检索精度不损失的情况下,采用LDA降维算法对该特征进行降维。最后通过CJFE实现的压缩融合编码以仅256位的编码长度进行检索,其检索精度超越了现有高维特征编码的图像检索精度,并进一步提高了图像检索效率。本文所做的研究可以应用于大规模图像检索,图像数据存储,即数据集中的图像使用对应的图像编码存储在计算机中,不仅可以减少图像数据的存储量,还可以加快图像检索的速度。