1. 研究目的与意义、国内外研究现状（文献综述）
1、课题意义图像检索的基本过程和核心思想就是通过将查询图像的图像特征与图像库图像的图像特征，根据某一种相似性度量方式，进行图像之间的相似性度量。
再将度量结果按照相似度由高到低进行排序，作为最终的检索结果输出给查询用户。
图像检索根据检索过程中所用到的图像特征不同，大致可以分为两个阶段[1]。
2. 研究的基本内容和问题
1、研究目标本次课题的目标在于基于深度哈希学习技术提出一个简单但是高效的卷积神经网络，用此网络模型可生成二进制哈希编码，并以此进行快速的图像检索，检索对象为菊花图像。
2、研究内容（1） 图像识别基本框架 图像识别的基本框架大致可以分为训练和测试两个阶段，其中以对图像特征进行训练得到分类模型为训练阶段的主要任务，而测试阶段则可以利用已训练模型得到识别结果。
这两个阶段又由图像预处理、特征提取以及分类器三部分组成。
3. 研究的方法与方案
1、研究方法（1)研究方法主要从理论入手将深度卷积神经网络和哈希算法相关理论知识内容研究透彻，为下一步研究奠定基础。
（2)再进行软件环境的搭建，在搭建的过程中，研究并总结不足与发现，并充分利用现有资源进行学习。
（3)将算法集成，最终完成大规模图像数据的存储、处理、检索与显示。
4. 研究创新点
特色或创新之处（1）增加了隐含层h，提出了能同时学习图像表示和二进制编码的深度cnn。
（2）大部分的监督学习算法为了学习到图像的二进制表示，一般都需要两张图片作为输入，而本文的深度学习方法则是通过一张图片作为输入来学习图像的二进制编码和图像表示，这样大大减少了计算量和存储空间。
（3）提出了一种综合的由粗到精的检索方法，先利用二进制特征初步检索出与查询图片相似的图片，由于一个二进制编码可以对应很多不同标签的图片，因此，利用二进制特征检索出来的图片中有很多干扰图片，这一步是粗水平的检索。
5. 研究计划与进展
2018 1.1-1.15 进行理论知识的学习，完成开题报告。
2018 1.16-1.30 搭建实验环境框架，学习python语言。
2018 2.1-2.26 选择合适的数据集，初步进行模型构建与算法设计。
