基于草图的图像检索（Sketch Based Image Retrieval,SBIR）允许将模糊抽象的草图作为输入检索自然图像,相比于严重依赖提供文字描述或者与检索目标相似图像的基于文字图像检索技术和基于内容图像检索技术,手绘草图更直观、更准确地向人类传达丰富的信息,因为“一张图胜过千言万语”。如何减少草图与自然图像之间域差是SBIR研究的关键问题,传统方法提取手工特征完成草图域与图像域之间的近似转换,但该类方法无法拟合两域内容,从而不能有效减少域差。已有的深度学习方法企图通过自然图像向草图,或草图向自然图像的单边域转换以拉近域间距离,但是单边域转换方法存在一定的局限性,仍然无法从根本上减少域差。本文针对上述关键问题,提出了一种基于称为Strokharmon的深度草图检索方法。该方法着眼于实现图像的双边域转换,以大幅缩小自然图像域和草图域之间的域差,提高草图检索精度。主要研究工作如下:1.本文首先对现有的基于深度学习的草图检索方法进行了归纳总结,将已有的基于深度学习的草图检索研究内容划分为粗粒度检索、细粒度检索、深度哈希技术和类别泛化四个主要的研究问题,分别对相关工作进行了综述、评论和比较研究。2.为解决草图检索存在的自然图像域和草图域之间差异过大问题,提出了一种称为笔划同质化（Strokharmon）的草图检索深度学习方法。该方法主要由两个网络构成,一个是为实现双边域转换的笔划同质化生成对抗网络StrokharmonGAN,另一个是用于笔划域的深度特征提取网络模型Strokharmon-Res Net。Strokharmon草图检索方法实现自然图像和草图在同一中间图像域对齐,完成异域数据向同域数据转换,并通过同域特征映射的方法实现草图检索。3.为了验证本文提出的Strokharmon草图检索方法有效性,本文进行了两部分实验验证:（1）验证了本文提出的笔划同质化域转换模型Strokharmon-GAN的有效性,实验结果表明,本文提出的域转换方法优于现有的用于草图的域转换模型;（2）验证了本文提出的Strokharmon草图检索方法的检索性能,在两个具有代表性的公开细粒度SBIR数据集上进行了综合评价。实验结果显示,本文的方法在QUML-Shoe V2和QUML-Chair V1上分别得到了85.6%和96.3%的检索精度,比目前先进的方法分别提高了4.9%和0.4%,获得了更好的检索性能。