甲骨文,是中国最古老的象形文字,在漫长的汉字发展史上起着举足轻重的重要地位。但要识别未释读的字或者收集、分类相关实例内容是需要花费很多的时间和精力。而利用图像检索技术可以在海量的图像大数据中以较小的时空开销准确地找到一幅相似的图像,图像检索也成为近年来多媒体和信息检索领域的重要研究热点。因此,如何利用图像检索技术对甲骨文图像进行分类与识别的研究也具有非常重要的意义。图像检索的本质是通过对图像进行特征表示然后计算相似性的过程。但是,传统结构特征或者图像处理进行提取特征的方法受到甲骨文因时间、地区以及篆刻力度等因素导致同一个单字的甲骨文却有多种的字形的影响,因此使得这些方法存在对图像质量要求高、方法通用性差、特征鉴别能力差等问题从而导致检索准确率低的情况;而传统的深度学习方法对训练数据集的数据量依赖性较大,但从计算机视觉的角度来看,关于甲骨字符分析的研究很少,数据分布较为零散,也没有相关的完整大型公共数据集。因此,本文采用更适合多分类、少样本的数据的孪生神经网络模型,其能够克服以上通用性差、数据集少等问题。并且VLAD能够获取有关图像上聚合的局部特征有效的统计信息,提高特征的有效性。于是,该模型由两个并行分支组成,每个分支由CNN、VLAD串行组成,图像通过CNN层提取深度描述符,再利用VLAD生成甲骨文图像的最终表示。本文的主要工作贡献可分为以下几个方面:（1）本文利用爬虫工具从网站上收集甲骨文近40,000张文字图片及其标签,这也是据我们所知,目前较大的甲骨文数据集之一。（2）本文提出了一种基于孪生神经网络的甲骨文图像检索方法,利用CNN+VLAD方法生成甲骨文图像的表示特征。通过其它方法的比较,证明该方法的有效性。（3）本文构建了基于网页平台的图像检索系统,使得本文提出的检索方法能够在实际工作中进行应用。