一句话定义：图像检索（Image Retrieval）就是给系统一张图片或一句描述，让它从海量图片库里找出内容相近的图，并按相似度排好序返回。前者叫以图搜图，后者叫以文搜图。
原理：给每张图发一个“语义坐标”
传统做法靠人工打标签，搜“海边”就得有人提前把图标成“海边”。问题是标签永远不够全：一张图里有狗、沙滩、夕阳，没人标注就搜不到。
现在的做法是让模型“看懂”图片。用卷积网络（CNN）或视觉 Transformer（ViT）把一张图压成一个高维向量（embedding），可以理解成这张图在“语义空间”里的坐标。训练目标很简单：内容相近的图，坐标要挨得近；内容无关的图，坐标要离得远。
文字侧也用文本编码器压成向量，并让图文向量落在同一个空间里——CLIP 这类图文对比学习模型做的就是这件事。于是“一只在沙滩上跑的柯基”这句话的坐标，会天然靠近对应图片的坐标，跨模态检索就成立了。
检索时先用模型算出查询向量，再到库里找最近的若干个向量。图片上百万张时逐一比对太慢，通常用近似最近邻（ANN, Approximate Nearest Neighbor）索引，如 HNSW、IVF，用一点点精度换取数量级的速度提升。
打个比方：这就像把图书馆从“按书名拼音排架”改成“按内容主题摆在一个巨大的多维空间里”。你拿一本新书进来，先算出它该待的坐标，然后走向那一小片区域，抽出来的书大概率主题相近。
和相邻概念的区别
| 概念 | 输出 | 典型用途 |
|---|---|---|
| 图像分类（Image Classification） | 一个或几个标签 | 判断是不是猫 |
| 目标检测（Object Detection） | 框和类别 | 找出画面里所有人 |
| 图像检索 | 一个按相似度排序的图片列表 | 找同款、找参考图 |
| 人脸识别 | 身份匹配结果 | 门禁、核身 |
关键差别是：分类和检测回答“这是什么”，检索回答“哪些和它像”。另外，检索找的是“相似”，人脸识别要的是“同一个人”，前者允许风格、角度不同，后者必须精确到身份。
实际意义
对普通人，最直接的是相册里搜“雪景”“合同”，或电商里拍张照找同款。对从业者，图像检索是很多业务的底座：商品库去重与盗图检测、设计素材的相似风格推荐、工业质检里调出历史缺陷样本做比对、医疗影像里找相似病例。
工程上要盯三件事：效果看 Recall@K 和 mAP 这类排序指标，不看准确率；索引要能增量更新，新图入库不能重建全库；纯向量检索常常不够，实践中多是“向量召回 + 关键词或类目过滤”的混合检索。模型和工具选型以官方页面为准。