图像检索是指在给定一个检索集合中找出与查询图片最相似图片。当前,随着图像、视频数据海量增长,图像检索具有越来越广泛和重要的应用价值。近年来,深度度量学习在图像检索领域取得了重要的进展。其核心思想是在缩小相似样本对的距离的同时扩大不相似样本对之间的距离,比如典型的双胞胎或者三胞胎网络。但是这些方法使用的近邻结构信息并不充分,影响了模型的检索性能以及收敛速度。同时,寻找有效的负例样本依然是一个具有挑战性的工作。本文针对上述问题,在前人工作基础上开展工作,提出了一个新的深度度量学习模型,具体内容包括:提出了一个新的多负例损失函数,该函数能同时惩罚多个不同难度的负例样本,通过同时使用多个负例样本,模型能够更加充分的利用近邻结构信息。提出了一个综合难负例采样和随机负例采样的负采样策略,设计了一个有效的批量负例构造策略。基于深层神经网络实现了该模型并进行了评估,在四个公开数据集上的实验表明,本文提出的方法与其他已有度量学习模型相比能显著提高图像检索的性能,比如在in-shop和consumer-to-shop两个数据集上top20检索精度都能提高5%以上。基于上述深度度量学习模型,设计并实现了一个图像检索系统。