随着互联网技术的快速发展以及手机、相机等数码产品的普及,互联网上流传的图像数量越来越庞大,且图像中的内容也越来越复杂多样。在海量图像中快速准确的检索出需要的图像已成为热门的研究课题。如何提取具有强表征性能的图像特征以及如何精确定位出图像中的感兴趣区域是近年来图像检索领域的重点研究方向。基于此背景,本文运用深度卷积神经网络,提出了基于特征性能增强和目标定位的图像检索方法。本文主要有两个创新点:一是改进CroW特征加权方法,提出新的卷积特征性能增强方法。在通道加权和平面加权后,使用多尺度的池化窗口在图像卷积特征上滑动得到多个局部特征向量,然后整合成全局特征向量,实验表明该特征向量具有很强的图像表征性。二是本文将基于深度学习的目标检测方法与图像检索方法相结合,提出了基于目标定位的图像检索方法。使用重新训练的SSD目标检测模型定位出图像中需要的目标区域,根据目标区域提取区域特征进行图像检索。该方法对图像的特定区域进行针对性的特征提取,可以最大限度的过滤掉图像干扰因素,极大提高检索精度。本文的主要贡献有三个:一是使用手工标注的建筑物数据集训练SSD模型,得到能准确检测出图像建筑物区域的目标检测器;二是改进的卷积特征性能增强方法能大幅度提高检索精度,在四个大型图像检索数据库进行评估,其mAP值(平均精度均值)都要优于CroW方法;三是基于目标定位的图像检索方法在Paris6k数据库和Oxford5k数据库上的mAP值分别达到了90.3%和80.1%,在检索精度上优于近几年的绝大部分图像检索方法。