深度度量学习以特征抽取和特征相似度学习为基础,其目的是在高维特征空间下实现类别之间的聚类和区分能力,即相同类别的样本特征之间的间距小而不同类别样本之间的间距大。相较于传统的图像分类问题,深度度量学习对于特征的泛化性要求更高。对于模型训练阶段没有见过的类别,在特征空间内也要具备一定的区分能力。而以度量学习为基础的零样本目标识别任务,是通过预估未知类别的视觉特征信息并结合大量的类别语义信息实现的,可以较好地拓展到零样本目标检测任务。以深度度量学习为基础的图像检索因其在人脸识别,人脸验证,商品识别,行人重识别等多个领域的实际应用价值而受到广泛关注。本文主要在基于深度度量学习的模型训练以及特征后处理两个阶段中探索如何提高图像检索的性能。在模型搭建及训练阶段,关注于网络结构以及损失函数设计两部分。在网络结构设计部分,设计了以空间注意力模块,通道注意力模块等多种注意力模块和批归一化模块为基础的网络结构,验证了不同注意力机制在度量学习网络结构设计中的作用。在损失函数设计部分,设计了考虑到难例挖掘和整体数据分布的损失函数,验证了多种难例挖掘算法在度量学习中的作用。在特征后处理阶段,在特征空间中对特征向量进行特征变换,提出了 L2C特征变换方法,进一步挖掘特征向量中的判别性信息,在粒度偏粗的数据集上获得了一定的性能提升。提出的QE_L特征重排序算法可以在减小噪声数据影响的同时有效地利用相邻特征来进一步提高图像检索的性能。为了可以直观地可视化不同图像对之间的相似度关系,提出了级联形式的类别激活图和以注意力机制为基础的自监督物体特征关键点检测及匹配方法。同时,以一种简单有效的相似度激活图来直接可视化两幅图像之间的相似度响应。最后,结合类别的语义信息和图像的特征信息,以经典的两阶段目标检测框架为基础,实现未知类别样本的视觉特征估计,从而进一步实现零样本目标检测。实验结果表明所提出的算法在多个数据集上的性能获得了一定的提升。