为帮助纺织企业的工作人员快速、准确地从数据库中检索出与织物图像相同或相似的图像，提出了一种小波变换下基于分形编码和 Zernike 矩的织物图像检索算法。首先，利用小波变换获得低频分量，对变换后的低频子图进行分形编码，得到编码参数。然后，计算低频子图像的 Zernike 矩。将小波变换下的分形编码参数和Zernike 矩相结合作为织物图像检索的特征量。相比于单特征检索方法，该算法克服了精度低、耗时长的问题。与基本分形算法(BFIC)、联合正交分形参数和改进的 Hu 不变矩算法(HVKF)以及稀疏分形图像压缩算法(SFIC)相比，该算法确保了重建图像的质量和较低的编码时间。实验结果表明，织物图像检索的平均精度和平均召回率均高于现有的检索方法。

高分辨率遥感图像检索中，由于图像内容复杂，细节信息丰富，以致通过卷积神经网络提取的特征难以有效表达图像的显著信息。针对该问题，提出一种基于级联池化的自注意力模块，用来提高卷积神经网络的特征表达。首先，设计了级联池化自注意力模块，自注意力在建立语义依赖关系的基础上，可以学习图像关键的显著特征，级联池化是在小区域最大池化的基础上再进行均值池化，将其用于自注意力模块，能够在关注图像显著信息的同时保留图像重要的细节信息，进而增强特征的判别能力。然后，将级联池化自注意力模块嵌入到卷积神经网络中，进行特征的优化和提取。最后，为了进一步提高检索效率，采用监督核哈希对提取的特征进行降维，并将得到的低维哈希码用于遥感图像检索。在UC Merced、AID和NWPU-RESISC45数据集上的实验结果表明，本文方法能够有效提高检索性能。

为减轻虫害对大豆的影响, 首先使用相应的高光谱仪器进行样本采集, 样本分为4类: 包括带有微小虫卵的, 带有幼虫的, 有啃食痕迹的和完全正常的大豆各20颗; 然后提出了一种基于三维图像检索(3D-R-D, 3D Resnet18 DCH)的大豆食心虫的高光谱检测方法。 该方法从视频检索的应用中得到启发, 考虑到视频不同帧之间和高光谱不同层之间存在类比关系, 使用了在大规模视频检索数据集下训练而成的分类模型, 将它作为预训练3D卷积模型进行训练。 和已知的文献方法相同, 使用公开的光谱数据集进行正式训练和微调, 从而得到能进行特征提取的3D卷积网络, 用图像检索来实现间接分类, 通过利用样本之间的特征距离, 实现在全新类别上的分类。 为能适应任务, 将模型最后的分类层变成了图像检索常用的hash层, 从而得到了代表特征的二进制码。 该方法不但完成了对不同情况下大豆种类的检测, 还解决了训练时样本不足的问题。 为探寻一种好的相似度匹配损失函数, 对比了多种较新的方法, 最后发现使用融入柯西分布的损失函数, 实验效果最佳, 最终模型的分类精度达86%±1.00%, 和在大豆食心虫检测上最新的小样本方法对比, 3D-R-D方法提高了3.5%左右的精度, 表明该方法是有效的, 它也为结合高光谱检测相关研究提供了一种全新思路。

针对传统云图检索方法难于获得理想的检索精度且检索效率低的问题，提出了一种基于深度度量学习的云图检索方法。首先设计了残差3D-2D卷积神经网络，以提取云图的空间及光谱特征。鉴于传统基于分类的深度网络所提取的特征可能存在类内差异大、类间差异小的问题，采用三元组训练网络，依据云图之间的相似性将云图映射到度量空间中，以使同类云图在嵌入空间中的距离小于非同类云图。在模型训练时，通过对无损三元组损失函数增加正样本对间距离的约束，改善了传统三元组损失的收敛性能，提高了云图检索的精度。在此基础上，通过哈希学习，将度量空间中的云图特征变换成哈希码，在保证检索精度的条件下提高了检索效率。实验结果表明，在东南沿海云图数据集和北半球区域云图数据集上，本文算法的平均精度均值(mean average precision, mAP)分别达到75.14%和80.14%，优于其他对比方法。

对图像特征中的局部聚集描述子向量（Vector of Aggragate Locally Descriptor，VLAD）特征进行研究后发现，该特征缺乏尺度不变特征变换（Scale Invariant Feature Transform，SIFT）描述子的空间分布信息，为了提高图像检索的准确率，提出利用空间分布熵改进VLAD的方法。首先，求取图像中的VLAD特征。其次，将SIFT描述子的空间分布信息根据描述子与聚类的对应情况，分为若干个集合。再次，在每一个集合中生成空间分布熵，将所有集合的熵值表示为空间分布熵向量。最后，利用该向量表示描述子的空间分布混乱程度，并将该向量与VLAD结合使用。实验结果表明，在码本大小为64时，在Holidays数据集上可以将平均准确率由0.519提升至0.601，在Oxford5k数据集上可以从0.395提升至0.408。该方法利用VLAD特征大幅度提高图像检索的平均准确率。