目标检索技术具有重要的现实研究价值,其中最关键的部分是特征构建与选取。传统方法采用手动特征提取,人参与的多,特征表达能力差,检索效果差。利用深度学习技术可自动地提取图像抽象特征,使特征表达能力大大增强。论文提出一种基于深度学习的多特征融合的目标检索算法,以人脸图像为检索对象,研究算法的检索性能。首先,研究参数对检索结果的影响,分析结果确定算法实验参数。其次,分别提取小波特征,张量PCA特征(TPCA),卷积神经网络(CNN)深层特征。最后,研究传统特征与CNN特征的加权融合算法,结果表明论文提出的算法检索准确率高于常规算法,具体工作如下:(1)参数对检索结果的影响研究。使用Db2、Db4、Bior2.4、Coif2和Sym2小波,分解层数依次从1层到3层来研究小波基函数、分解层数对检索结果的影响。分析实验结果,ORL库中小波函数选用Db4,分解层数3时,检索效果最好为96.25%。研究CNN模型参数全连接层神经元个数、卷积层特征图数目、图像大小、学习率、批处理块、卷积核和采样大小对检索效果的影响。实验结果分析,当ORL库全连接层神经元个数为100,卷积层特征图数量依次为10、15,图像尺寸选用56?56,学习率0.35,批处理块大小40,卷积核和采样大小为5?5,2?2时,检索结果最好,达到97.5%,当MIT人脸库全连接层神经元个数为200,卷积层特征图数量依次为20、30时,图像尺寸64?64,学习率0.1,批处理大小50,卷积核和采样大小5?5,2?2时,图像检索的效果最好为95.0%。(2)特征融合策略研究。首先,研究小波分量对检索结果的贡献,实现了小波特征的融合处理。其次,研究小波融合特征、张量PCA特征与CNN深层特征分别作为识别特征时的检索准确率。然后,确定小波特征、TPCA特征与CNN特征融合的方法来确定融合系数,就Squared Chi-Squared距离、Cosine距离、Euclidean距离和Manhattan距离对比实验研究,确定分类最佳的相似性度量函数。实验分析得出,在ORL库上,当特征加权融合系数为0.1,0.2,0.7,采用Manhattan距离时,检索效果最好,平均准确率高达98.75%。(3)论文算法性能验证与分析。在ORL库上就CNN深度特征检索算法、小波子特征与TPCA特征融合算法、小波子特征与PCA特征融合算法以及论文提出的算法进行对比实验研究,从实验结果可以看出论文算法的检索率高出1.75%。论文提出的检索算法在ORL库、MIT库和Yale库上进行实验,从实验结果看出,算法在3个标准图像库上的平均检索率分别为98.75%、96.0%和97.3%,差别最大2.75%,说明论文算法具有很好的适应性。