在大规模的图像数据集中搜索相似图像是近年来比较热门的研究课题,它在生活各方面都有着广泛的应用。图像搜索技术,即将我们建立的图像数据库中与待查询图像相似或相同的一系列图像提取出来的技术。至于图像间的相似度,则需要通过图像间的特征来判断。现在的图像检索大多是基于内容的图像搜索(Content-based Image Retrieval)即CBIR,相对于它之前的基于文本的图像搜索,该方法主要是通过分析处理图像本身所包含的包括大小、形状和颜色等方面的内容信息,进而根据这些图像信息从图像库中搜索到相似图像。但是由于当今社会数据规模的不断增大,在数据存储、处理速度和结果准确性方面对图像搜索系统都有着越来越高的要求。深度学习(Deep Learning)是近几年比较火的一种能自动进行任务学习的机器学习方法,通过模仿人脑处理信息的机制来处理文本、声音和图像等信息。它是具有多个通过权重相连接的隐藏层的深度神经网络(Deep Neural Network,DNN),可以对大量的数据进行学习从而得到有用的数据特征,进而提升模型对数据预测和分类的准确性。与浅层的神经网络相比,深度学习通常含有不止一层的隐藏层,网络深度的增加有利于其从大数据中学习到更多样的描述数据内在信息的数据特征。本文首先简要地介绍了一下基于文本和基于内容的图像搜索技术的优劣性,之后引出了深度学习的相关知识和卷积神经网络的相关技术和算法,着重介绍了倒排索引和哈希编码的相关知识。本文结合倒排索引和哈希编码设计了一个基于深度学习的图像搜索系统。与传统的图像搜索系统相比,该系统不需要预先人工提取图像的表达特征,可以直接对大量的原图像进行学习,这就消除了人工标注的不准确性,同时也能显著地提高图像的搜索效率。