本文研究的是一个图像领域的经典问题――图像检索,该问题在计算机视觉方面的研究以及互联网企业的检索推荐系统中都有重要的应用。本文对比了近年来国内外的工作,并提出自己对这一问题的改进。在这篇文章中,我们提出了一个新的深度学习方法来解决图像检索这一问题,本文有两个主要工作,第一个是提出了一个新的图像检索损失,第二个是提出了一个新的提取图像描述子的卷积神经网络结构。本文的第一个工作的主要思想是将拓展查询这一想法加入网络训练中,形成我们新的损失函数。有关拓展查询,最开始成功应用于文本检索,此方法考虑到查询向量存在各异性,通过对查询向量的迭代得到一个更准确的查询向量,从而提高召回率。使用我们提出的损失函数,提高了对图像检索的精度。另一方面,提出这一新的损失是因为,经典算法通常使用三元组损失和对比损失,而这两种损失十分依赖于元组的选取,我们的目的就是构建出一个不需要元组的损失。第二个工作,我们定义了一种含有复合GeM结构的网络架构,总结前人工作GeM池化,这一工作对图像检索精度的提高十分有效,但是之前的网络都是线性结构,这种线性结构随着网络层数的加深,图像细节的丢失也会越来越多,因此我们抽取不同层的特征图,提取相应的图像描述子,再通过融合这些描述子来达到保留图像细节特征这一目的。本文在Filip Radenovic et al 2017这篇文章的基础上,使用retrieval-sfm-120k为训练集,Oxford5k、Paris6k为测试集,检索结果的mAP超过现有算法。