网络技术的发展使众源地理数据走进了千家万户。众源影像作为众源地理数据的重要组成部分,携带信息更加丰富,表现方式也更加直观。众源影像存在基数大、来源复杂、相关性低等特点,因此如何快速准确的在海量的众源影像数据中,有针对性的筛选出所需要的影像集显得尤为重要。当前,针对众源影像筛选的研究,往往是只关注影像某方面特征,未能充分利用影像信息,同时存在筛选精度不高,计算繁琐等问题。因此研究一种新的影像筛选方法就显得尤为重要。21世纪以来,机器学习特别是深度学习在模式识别,影像分类,图像处理等领域大放异彩。卷积神经网络能从更深的层次挖掘影像高级特征,对于影像主体的平移,缩放、倾斜等多种形式的变形有很高的识别率。因此利用深度学习的方法对众源影像筛选成为了一种趋势。本文的研究针对于地物众源影像。由于影像主要来源是智能手机或者其他拍照设备采集并上传到网络。此类影像容易受到光照和拍摄角度等影响。而方向梯度直方图(HistogramofOrientedGradient,HOG)对于以上两种变形具有不变性。基于此特点,本文利用影像的方向梯度直方图特征作为影像的表达方式之一。将影像的方向梯度直方图特征与卷积神经网络提取的特征相融合,共同的影像进行特征描述。同时,本文采用了修正余弦相似度比较方法对影像相似性进行度量,解决了余弦相似度方法不能充分利用融合特征的问题,更好的利用了影像的融合特征。本文利用上述方法对地物众源影像进行一系列的实验,包括方向梯度直方图特征的优化实验;如何更好的利用影像HOG特征与卷积神经网络提取特征;比较向量空间里不同相似度比较算法对筛选结果的影响;以及对该方法的筛选效率和普遍适用性进行评判。实验表明,本文方法解决了传统影像筛选方法筛选精度不高的缺点,能有效的对多种类型的地物众源影像进行筛选,具有高效高识别率的特点,对于众源影像的处理具有重要价值。