长期以来,图像检索方法一直是计算机视觉领域的研究热点。最近,Transformer模型在图像检索任务中取得了优于卷积神经网络的表现。然而,目前Transformer模型在图像检索任务中的相关研究极少,其潜力尚未得到充分挖掘。因此,本文基于Transformer模型中的Twins-SVT模型与深度度量学习框架,从模型结构、损失函数、检索流程三方面对深度图像检索方法展开研究,以提高检索精度。首先,本文提出一种注意力增强的Twins-SVT模型,引入注意力增强的Patch Embedding模块以替换Twins-SVT模型原有的Patch Embedding模块,从而提高模型局部建模能力,同时引入共性感知自注意力模块以学习数据集所有图像的共性,从而指导各图像产生表达能力更强的图像特征。CUB200-2011数据集与CARS196数据集上的实验表明,注意力增强的Twins-SVT模型能取得更优于其他Transformer模型的检索精度。其次,为更有效地训练注意力增强的Twins-SVT模型,本文提出一种Patch阈值多样性损失以联合对比损失对模型进行训练。Patch阈值多样性损失通过模型第四阶段产生的patch token序列计算所得,能促进该序列的token多样性并提高各token的表达能力。实验表明,在使用不同维度的图像特征、联合不同排序损失、训练不同Transformer模型时,Patch阈值多样性损失都能有效提高检索精度,充分体现其适用性与有效性。此外,与2018年以来取得state-of-the-art效果的一些方法相比,通过Patch阈值多样性损失联合对比损失进行训练,注意力增强的Twin-SVT模型能取得最高的检索精度,充分体现本文方法的有效性。最后,为进一步提高检索精度,本文提出一种基于注意力增强的Twins-SVT模型的图像重检索方法。查询图像与数据库任一图像首先分别通过模型提取patch token序列并通过全局平均值池化产生高效的图像特征。随后,查询图像与数据库任一图像通过池化图像特征计算相似度并排序,从而完成初检索。针对初检索返回的Top-K项池化特征的任一项,查询图像的patch token序列与之通过Look-at-Other注意力模块产生相应的Lat O特征,并与该项特征重新计算相似度,从而完成重排序。实验表明,基于注意力增强的Twins-SVT模型的图像重检索方法能通过牺牲少量检索效率,有效地提高检索精度。