随着大数据时代的到来,日常生产、生活和科学技术中数字图像数据呈指数上升趋势。图像数据蕴藏着丰富的内容,表达形式相比文字描述来说更加形象和准确。因此,面对日益增多的数字图像资源,研究出快速准确地找到用户真正感兴趣图像的检索系统是一个亟待解决的问题。在图像识别领域,分类器影响着整个图像检索系统的性能。极限学习机与传统神经网络模型不同,算法结构简单、学习速度快、训练参数少且具备良好的泛化性能。能够有效地弥补传统前馈神经网络算法学习速度慢、调参繁琐等不足。传统的基于内容的图像检索方法缺少自主学习能力,图像表达能力不强,严重制约了图像检索的性能,而深度学习模型为图像检索开辟了新途径。本文主要研究内容如下:(1)引入深度PCA子空间概念,将图像作为网络的输入数据,通过多层级联PCA作为卷积滤波层,将图像映射到深层PCA子空间,完成非监督低层次特征学习,生成初步阶段的卷积特征映射。(2)提出了深度多层极限学习机算法,通过堆叠多层极限学习机神经网络,用L1正则化对深度极限学习机进行约束,增强泛化能力,得到高维数据中隐藏的抽象信息。(3)本文提出一种深度PCA子空间极限学习机图像检索算法。将深度PCA子空间提取的特征送入深度极限学习机获得深层子空间稀疏特征,实现图像的深层特征提取。最后对特征进行哈希编码,利用编码实现快速图像检索。本文在MNIST、CIFAR-10和CALTECH256等数据集上进行了实验,通过大量仿真实验并与其他深度神经网络学习框架和检索算法进行比较,具有结构简单,收敛速度快等优点。本文算法在检索精度和运行时间上都具有较好的结果。