为了提高准确率与效率,提出一种基于深度特征与局部特征融合的图像检索方法,选择深度特征作为全局特征,局部特征采用加速不变特征(speeded　up　robust　features,SURF)和局部二值模式(local　binary　pattern,LBP)等.为了解决典型相关分析(canonical　correlation　analysis,CCA)的特征融合方法存在信息缺失、信息冗余2个缺陷的问题,将目标函数改进为最小化特征之间的相关性,求解出变换基,通过投影变换得到2种特征中各自所包含的独立性信息,在此基础上加入其中一方所包含的相关性信息,得到最终的融合结果.改进后的融合方法能够更加全面地表征原始数据,同时消除冗余信息.在实验中,首先通过图像分类的应用验证了深度特征与LBP特征融合具有较好的判别能力,平均分类准确率达到99.1%,同时具有较高的时间效率.通过实验讨论不同维度对特征融合性能的影响,结果表明,增加特征选择的维度能够在一定程度上提高分类准确率.最后,验证基于深度特征与局部特征融合的图像检索方法,计算融合特征的相似性距离,根据距离度量得到检索排名.在实验数据集上查准率为98.0%,查全率为46.0%.对比结果表明,该方法不仅能实现可靠的准确性,还具有较高的时间效率.