商标作为知识产权中重要的一环,在社会经济发展中发挥着无可替代的作用。作为商品和厂家的重要标志,商标不仅象征着商品的质量,也代表了商家的名誉,因此受到越来越多的重视。与此同时,随着商标图像数量的爆炸性增长,如何有效且高效地对商标进行检索已然成为知识产权保护和应用领域的难题。现有的商标检索方法还存在数据标注成本高、有效特征提取难等问题,为了更好地学习商标特征信息,获得更好的检索结果,本文提出了一种基于注意力机制的无监督商标检索方法,该方法基于实例区分框架,引入可实现局部跨通道交互的轻量级注意力机制,为关键特征分配更合理的学习权重。在METU数据集上进行的对比实验验证了提出的方法能够以无监督学习的方式得到更好的商标特征表示,有助于提高商标检索的性能。本文的主要研究内容如下:（1）介绍实例区分和注意力机制。首先针对无监督学习展开相关研究,阐述了无监督学习的相关方法,分析无监督学习,并在此基础上讨论商标检索工作中应用无监督学习的必要性,着重介绍了一种基于实例判别的无监督方法:实例区分,并阐述了该方法应用在商标领域中的可行性与实际意义。接着针对注意力机制展开相关研究,从单域注意力、混合域注意力、自注意力三个方面阐述现有的注意力方法,介绍各个方法应用于在相应领域的优点及局限性。将讨论的重心聚焦于针对SENet模型的不足提出的ECANet,阐述了该模型避免降维,以及实现局部跨通道交互的意义和具体方法,并将其引入商标检索工作中。（2）提出一种基于注意力机制的无监督商标检索方法。针对现有的商标检索方法中,还存在着标注数据成本高、对图像特征无法有区分性地进行学习的问题,本文提出一种基于注意力机制的无监督商标检索方法,该方法通过在实例区分框架中引入一种可实现局部跨通道信息交互的轻量级通道注意力模块,使网络能够在避免降维的同时实现通道之间的信息关联,达到了在无监督条件下更准确学习商标图像重要特征的目的。在公开的METU数据集上,所提出的方法与传统方法及深度学习方法进行对比实验,验证所提出的方法的有效性。（3）开展无监督商标检索方法的参数影响分析实验并对所提出方法进行优化。对不同的通道交互范围即不同k值、不同层数设置下的方法进行相应的对比实验,分析并讨论其对商标检索结果的影响。同时,针对所提出方法中,标准卷积结构对解析图像信息可能带来的局限性进行讨论,并引入金字塔卷积结构进行优化,通过对比实验验证所提出的优化方法的有效性。