图像数据作为大数据的一种常见表现形式,早已呈现出爆炸式增长的趋势和海量而冗杂的特点,面对海量图像数据的检索分析与存储管理,设计高效、精确的图像检索策略成为了当下的重要课题。作为近期的研究热点,图像检索技术在基于深度神经网络的图像检索方法已取得了诸多进展,特别是在差异性较大的图像检索方面效果较优,但在差异较小的图像检索方面还存在较大的提升空间,如不同种类鸟的图像检索。在图像检索的过程中,度量和评价各图像之间的相似度,是判别图像是否相似的重要标准,度量学习通过提高正样本之间的相似度,降低负样本之间的相似度来获得更精确的图像检索结果,该图像检索方法在图像细节的处理上表现出了很好的效果。随着深度学习相关领域研究的不断深入,提取图像特征的效果不断增强,度量学习的方法逐渐与深度学习的方法相结合,形成深度度量学习方法:采用深度神经网络提取样本的嵌入特征,利用度量学习方法评价样本之间相似性,该方法可有效提高差异性较小的图像检索准确性。在深度度量学习中,难样本采样和损失函数计算是深度度量学习中至关重要的两个优化方向。难样本采样通过正确筛选出对网络优化具有意义的样本来计算损失函数,达到控制网络优化方向、加速网络收敛的效果。但存在泛化能力不足和网络优化方向与目标方向存在不完全一致的情况。而现有损失函数都把重点放在进一步拉开较大相似度的负样本之间的距离,但却忽略了负样本之间本应具有的相似度,而导致其他类样本产生一定程度的聚集现象,为其他类别样本的区分增加了难度,本文中将此现象称为“负样本对聚集”现象。为解决上述两个关键问题,本文主要从以下两方面着手进行改进:1、提出了一种Top-nk的采样方法,该方法解决了难样本采样方法中网络梯度下降方向与优化目标方向不一致的问题,同时可根据数据集的实际空间分布情况动态调整采样策略,使采样方法得以适应不同空间分布状态下的样本,大大增强了采样方法的鲁棒性。2、提出了一种基于对加权的排序相似性损失（简称RS loss）。RS损失函数通过降低较高相似性的负样本对在计算损失时的权重,不仅扩大了查询样本与负样本之间的距离,还在一定程度上扩大了不同类别负样本之间的距离,以避免“负样本对聚集”现象的产生。使用本文方法在四个国际公开数据集上进行了大量实验,评估了本文方法的有效性。同时,将提出方法的实验结果与目前国际上的先进方法进行了对比。结果表明,本文提出的方法可以大大提升图像检索中的准确度。其中,在CUB200和Cars-196数据集上的Recall@1指标提升尤为明显,分别达到了67.8%和85.2%的准确度。