近年来,随着内置相机的电子设备数字设备在世界范围内广泛流行,以及互联网技术的蓬勃发展,预计数以亿计的用户在互联网上分享和保存图片。无处不在的数码照片和互联网使得许多新兴的基于图像检索的应用具有十分光明的前景。长久以来,基于内容的图像检索(CBIR)技术,在计算机视觉(CV,Computer Version)领域中,是一个热门的课题。在1990s,对CBIR的研究工作开始发展,并走向成熟。其中,尺度不变特征变换(SIFT)算子以及BoW模型在当时取得极大成功,为CBIR在海量数据集上的应用奠定基础。近年来,随着对深度神经网络(DNN)的广泛性研究,基于DNN的深度特征在多个领域的取得成功。其中,深度卷积神经网络(CNN)因其强大的特征表述能力,在CBIR应用上,取得了目前最先进的性能。语义鸿沟是CBIR面临的一个基本挑战。为了减小语义鸿沟,学术界提出度量学习(DML)的概念。DML指学习一个度量相似度模型,在特征空间中,使得语义相关目标的描述符距离较小,语义无关目标的描述符距离较大。结合暹罗网络(Siamese network)以及语义无关样本挖掘方法,DML通过三元组损失,对比损失等损失函数,提高了网络的语义特征表述能力,从而提高检索效果。本文的目的是构建一个图像的精简表达算法,对每张图片构建一个一维向量,对丰富的语义信息进行精简表达。本文提出一种的自适应排序损失算法,对pertrained CNN模型的参数进行微调。移除per-trained模型的全连接层,结合起到特征拟合功能的池化层,提取样本的全局深度特征。通过语义无关样本挖掘方法构建样本队列,建立暹罗网络训练结构。利用CNN模型对样本进行深度特征提取,并通过排序学习(Learning to Rank,L2R)想法,对样本队列进行相似性排序,对样本队列的学习难度进行评估。提出自适应动态外边距,利用自适应排序损失算法更新深度模型参数,最后得到带有排序信息的深度特征向量,对图像的语义信息进行精简表达。模型进行微调后,在Oxford5K,Paris6K,以及Holidays等数据集上进行测试,并取得了较好的检索结果。