El Análisis de Correlación Canónica (CCA) es una técnica estadística multivariante clásica, que se puede utilizar para encontrar un par de proyecciones que capture al máximo la correlación entre dos conjuntos de variables aleatorias. El presente artículo introduce un enfoque basado en CCA para la recuperación de imágenes. Se basa en mapas de características inducidos por dos imágenes en comparación a través de una Red Neuronal Convolucional (CNN) preentrenada y aprovecha los vectores base identificados a través de CCA, junto con un método de selección elemento por elemento basado en un criterio relacionado con la información de Chernoff, para producir características de imagen transformadas compactas; luego se emplea una prueba de hipótesis binaria respecto a la distribución conjunta del par de características transformadas para medir la similitud entre dos imágenes. El enfoque propuesto se compara con dos métodos estadísticos alternativos, el Análisis Discriminante Lineal (LDA) y el Análisis de Componentes Principales con blanqueo (PCAw). Nuestro enfoque basado en CCA ha demostrado lograr un rendimiento de recuperación altamente competitivo en conjuntos de datos estándar, que incluyen, entre otros, Oxford5k y Paris6k.