提出了一种基于深度卷积神经网络的光学遥感图像检索方法。首先, 通过多层卷积神经网络对遥感图像进行卷积和池化处理, 得到每幅图像的特征图, 抽取高层特征构建图像特征库; 在此过程中使用特征图完成网络模型参数和Softmax分类器的训练。然后, 借助Softmax分类器在图像检索阶段对查询图像引入类别反馈, 提高图像检索准确度, 并根据查询图像特征和图像特征库中特征向量之间的距离, 按相似程度由大到小进行排序, 得到最终的检索结果。在高分辨率遥感图像数据库中进行了实验, 结果显示: 针对水体、植被、建筑、农田、裸地等5类图像的平均检索准确度约984%, 增加飞机、舰船后7类遥感图像的平均检索准确度约95.9%; 类别信息的引入有效提高了遥感图像的检索速度和准确度, 检索时间减少了约17.6%; 与颜色、纹理、词袋模型的对比实验表明, 利用深度卷积神经网络抽取的高层信息能够更好地描述图像内容。实验表明该方法能够有效提高光学遥感图像的检索速度和准确度。