1.一种基于过滤深度卷积特征的图像检索方法，其特征是，包括步骤如下：步骤1、分别将数据集中的每张数据图像输入深度卷积神经网络模型中，提取每张数据图像的N个深度卷积特征图Xmn(p，q)；其中每个深度卷积特征图对应一个通道；

步骤2、计算每张数据图像的过滤图Fm(p，q)；

步骤2.1、计算每张数据图像的N个深度卷积特征的方差Emn；

步骤2.2、从每张数据图像的N个深度卷积特征图中选出方差较大的k个深度卷积特征图，作为每张数据图像的过滤选定深度卷积特征图；

步骤2.3、先将每张数据图像的k个过滤选定深度卷积特征图的相同位置上的像素点的特征值相加，得到该张数据图像的叠加深度卷积特征图；再将叠加深度卷积特征图的每个像素点的特征值都除以k，得到每张数据图像的过滤图Fm(p，q)；

步骤3、对于每张数据图像，将步骤2所得到的该张数据图像的过滤图Fm(p，q)与步骤1所得到的该张数据图像的N个深度卷积特征图Xmn(p，q)进行点乘，得到每张数据图像的N个过滤深度卷积特征图X′mn(p，q)；

步骤4、计算每张数据图像的空间权重图Sm(p，q)；

步骤4.1、将每张数据图像的N个过滤深度卷积特征图X′mn(p，q)的所有像素点的特征值相加，得到每张数据图像的N个过滤深度卷积特征图的综合特征值hmn；

步骤4.2、将所有数据图像的对应通道的过滤深度卷积特征的综合特征值相加，得到N个通道特征值h′n；

步骤4.3、先对N个通道特征值h′n排序，并记录通道特征值h′n较大的前b个通道特征值的序号作为选定通道序号；再从每张数据图像的N个深度卷积特征图中分别选出选定通道序号所对应的深度卷积特征图，作为每张数据图像的空间选定深度卷积特征图；

步骤4.4、将每张数据图像的b个空间选定深度卷积特征图进行相同位置上的像素点的特征值的平方相加，得到每张数据图像的空间叠加深度卷积特征图S′m(p，q)；

步骤4.5、将每张数据图像的空间叠加深度卷积特征图S′m(p，q)进行归一化，得到每张数据图像的空间权重图Sm(p，q)；

步骤5、对于每张数据图像，将步骤4所得到的该张数据图像的空间权重图Sm(p，q)与步骤1所得到的该张数据图像的N个深度卷积特征图Xmn(p，q)进行点乘，得到每张数据图像的N个空间加权深度卷积特征图X″mn(p，q)；

步骤6、将每张数据图像的N个空间加权深度卷积特征图的通道权重值Pmn与综合特征值Φmn相乘，得到每张数据图像的N个通道加权深度卷积特征值Gmn；

步骤7、对每张数据图像的N个通道加权深度卷积特征值Gmn进行L2标准化和PCA白化降维处理，得到每张数据图像的N个特征表示G′mn，并利用每张数据图像的N个特征表示G′mn构建每张数据图像的特征表示向量G′m；

步骤8、将待检索图像输入深度卷积神经网络模型中，提取待检索图像的N个深度卷积特征图X*n(p，q)；

步骤9、先将步骤4.3中计算空间权重图的过程中所得到的选定通道序号所对应的待检索图像的b个深度卷积特征图进行相同位置上像素点的特征值的平方相加，得到待检索图像的空间叠加深度卷积特征图；再对待检索图像的空间叠加深度卷积特征图进行归一化，得到待检索图像的空间权重图S*(p，q)；

步骤10、将待检索图像的空间权重图S*(p，q)与待检索图像的N个深度卷积特征图X*n(p，q)进行点乘，得到待检索图像的N个空间加权深度卷积特征图X″*n(p，q)；

步骤11、将待检索图像的N个空间加权深度卷积特征图的通道权重值P*n与综合特征值Φ*n相乘，得到待检索图像的N个通道加权深度卷积特征值G*n；

步骤12、对待检索图像的N个通道加权深度卷积特征值G*n进行L2标准化和PCA白化降维处理，得到待检索图像的N个特征表示G′*n，并利用待检索图像的N个特征表示G′mn构建待检索图像的特征表示向量G′*；

步骤13、步骤12所得的计算待检索图像的特征表示向量G′*与步骤7所得的数据集中的每张数据图像的特征表示向量G′m的L2距离，并按照距离从小到大的顺序返回最终检索结果；

其中，m＝1，2，...，M，M表示数据集中数据图像的数量，n＝1，2，...，N，N表示深度卷积特征图也即通道的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，k、b为设定值，ε为设定的常量。

2.根据权利要求1所述的一种基于过滤深度卷积特征的图像检索方法，其特征是，步骤

6中，第m张数据图像的第n个通道权重值Pmn为：其中，m＝1，2，...，M，M表示数据集中数据图像的数量，n＝1，2，...，N，N表示深度卷积特征图的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，Zmn表示第m张数据图像的第n个空间加权深度卷积特征图的像素点的特征值的非零占比，βmn表示第m张数据图像的第n个空间加权深度卷积特征图的响应强度值，ε为设定的常量。

3.根据权利要求1所述的一种基于过滤深度卷积特征的图像检索方法，其特征是，步骤

6中，第m张数据图像的第n个综合特征值Φmn为：其中，m＝1，2，...，M，M表示数据集中数据图像的数量，n＝1，2，...，N，N表示深度卷积特征图的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，X″mn(p，q)表示第m张数据图像的第n个空间加权深度卷积特征图。

4.根据权利要求1所述的一种基于过滤深度卷积特征的图像检索方法，其特征是，步骤

11中，待检索图像的第n个通道权重值P*n为：其中，n＝1，2，...，N，N表示深度卷积特征图的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，Z*n表示待检索图像的第n个空间加权深度卷积特征图的像素点的特征值的非零占比，β*n表示待检索图像的第n个空间加权深度卷积特征图的响应强度值，ε为设定的常量。

5.根据权利要求1所述的一种基于过滤深度卷积特征的图像检索方法，其特征是，步骤

11中，待检索图像的第n个综合特征值Φ*n为：其中，n＝1，2，...，N，N表示深度卷积特征图的数量，p＝1，2，...，W，W表示深度卷积特征图的高度，q＝1，2，...，H，H表示深度卷积特征图的高度，X″*n(p，q)表示待检索图像的第n个空间加权深度卷积特征图。