随着计算机信息技术的高速发展和多媒体处理设备的应用和普及,数字图像的数据量呈现指数级快速增长的趋势。面对与日俱增的数字图像资源,如何从中准确高效地查找到系统管理者所需要的图像资料成为一个急需解决的技术难题。首先应用的是基于文本的图像检索方法,随后基于内容的图像检索方法通过利用颜色、纹理、空间形状等特性,有效解决了人工语义标签工作量大和表达不规范的缺陷。然而,由于这种方法所提取的图像特征维度高并且未能充分表达深层语义特征,导致在图像数据量增多的情况下,存储消耗攀升,检索速度和准确率急速下降。针对未能准确表示图像深层语义特征和解决特征数据高维度的问题,本文提出一种基于卷积神经网络和哈希技术的图像检索方法。该方法首先结合卷积神经网络模型强大的深度学习能力进行图像特征提取,获取相似图像视觉特征之间的内在隐含联系,得到数字图像的深层语义特征数据;接着通过预训练的堆叠自编码器对特征向量进行降维处理,利用特征数据的稀疏性和Frobenius范数对堆叠自编码器进行约束规范,通过增添正则惩罚项强化算法的鲁棒性;然后运用迭代量化的哈希学习方法调整旋转矩阵,使得映射量化误差最小化,从而得到图像特征映射的二进制哈希编码;最后使用汉明距离计算图像间的相似性,为避免相同汉明距离带来的不利影响,通过加权优化的方法调整排列顺序,得到最终的检索结果集。实验结果表明,在Cifar-10和Caltech-256公共图像检索数据集上进行测验,该方法能够结合深层网络模型的学习优势,提取到简短高效的深层图像语义特征,减轻特征向量高维性带来的影响,有效提高图像检索系统的准确度和检索速度。