1.一种基于卷积神经网络和显著性检测的图像检索方法，其特征在于：包括以下步骤：S101：获取图像数据库，并对所述图像数据库中的图像进行预处理，得到预处理后的图像数据库；

S102：采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域；

S103：采用VGG19卷积神经网络对步骤S102中提取出的各图像的显著性区域进行显著性图像特征提取，得到各图像的显著性区域对应的图像特征向量，并将所有的图像特征向量统一存放至图像特征库中；

S104：采集待检索图像，并按照步骤S101～S103类似的方法得到所述待检索图像的特征向量；

S105：分别计算所述待检索图像的特征向量与所述图像特征库中存放的各图像特征向量之间的欧氏距离，并将计算得到的多个欧式距离从小到大进行排序，进而将从小到大的前n个欧式距离对应的图像数据库中的图像反馈至用户，完成图像检索程序；其中，n为根据实际需求进行预设，且n为大于0的整数。

2.如权利要求1所述的一种基于卷积神经网络和显著性检测的图像检索方法，其特征在于：步骤S101中，所述图像数据库采用Caltech256图像数据库；对所述图像数据库中的图像进行预处理，具体包括：首先，将所述图像数据库中的图像统一缩放至预设大小，以便于后续使用；

然后，将缩放至预设大小的图像分别进行归一化和零均值化处理，得到预处理后的图像数据库。

3.如权利要求1所述的一种基于卷积神经网络和显著性检测的图像检索方法，其特征在于：步骤S102中，采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域，具体包括：首先，提取输入图像不同尺度的图像层；

然后，计算每个图像层的显著性线索；

最后，利用图模型将每个图像层的显著性线索融合成一张显著图，即该输入图像的显著性区域。

4.如权利要求1所述的一种基于卷积神经网络和显著性检测的图像检索方法，其特征在于：步骤S103中，所述VGG19卷积神经网络模型为预训练好的VGG19网络模型进行迁移学习训练后的卷积神经网络模型，在迁移学习训练过程中，只需根据实际需求，对所述预训练好的VGG19网络模型中的相关参数进行微调，从而大幅度减小训练时间。

5.一种基于卷积神经网络和显著性检测的图像检索系统，其特征在于：包括以下模块：图像数据库获取模块，用于获取图像数据库，并对所述图像数据库中的图像进行预处理，得到预处理后的图像数据库；

显著性区域提取模块，用于采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域；

图像特征向量生成模块，用于采用VGG19卷积神经网络对显著性区域提取模块中提取出的各图像的显著性区域进行显著性图像特征提取，得到各图像的显著性区域对应的图像特征向量，并将所有的图像特征向量统一存放至图像特征库中；

特征向量获取模块，用于采集待检索图像，并按照步骤图像数据库获取模块～图像特征向量生成模块类似的方法得到所述待检索图像的特征向量；

检索反馈模块，用于分别计算所述待检索图像的特征向量与所述图像特征库中存放的各个图像特征向量之间的欧氏距离，并将计算得到的多个欧式距离从小到大进行排序，进而将从小到大的前n个欧式距离对应的图像数据库中的图像反馈至用户，完成图像检索程序；其中，n为根据实际需求进行预设，且n为大于0的整数。

6.如权利要求5所述的一种基于卷积神经网络和显著性检测的图像检索系统，其特征在于：图像数据库获取模块中，所述图像数据库采用Caltech256图像数据库；对所述图像数据库中的图像进行预处理，具体包括：首先，将所述图像数据库中的图像统一缩放至预设大小，以便于后续使用；

然后，将缩放至预设大小的图像分别进行归一化和零均值化处理，得到预处理后的图像数据库。

7.如权利要求5所述的一种基于卷积神经网络和显著性检测的图像检索系统，其特征在于：显著性区域提取模块中，采用分层显著性算法提取所述预处理后的图像数据库中的各图像的显著性区域，具体包括：首先，提取输入图像不同尺度的图像层；

然后，计算每个图像层的显著性线索；

最后，利用图模型将每个图像层的显著性线索融合成一张显著图，即该输入图像的显著性区域。

8.如权利要求5所述的一种基于卷积神经网络和显著性检测的图像检索系统，其特征在于：图像特征向量生成模块中，所述VGG19卷积神经网络模型为预训练好的VGG19网络模型进行迁移学习训练后的卷积神经网络模型，在迁移学习训练过程中，只需根据实际需求，对所述预训练好的VGG19网络模型中的相关参数进行微调，从而大幅度减小训练时间。