人们在享受这互联网带来便利发展的同时,也在不断为互联网的高速发展输出着自己的文本,图像和语音等数据。而如何在海量数据中有效的挖掘深层次的图像信息是当前面临的难题。而在挖掘有效的图像信息数据中,由于图像检索技术的广泛应用性,基于图像检索的人脸检索技术得到了迅速的发展,并且在社交,民生和安全等等领域得到了广泛的应用。然而图像规模随着互联网的发展呈现指数增长的同时,人脸检索技术在检索精度和检索速度上都面临着巨大的挑战。如何在大规模的人脸数据集中快速检索出最相似的人脸图片变成了工业界和学术界急需解决的问题。哈希学习方法由于其检索速度快,内存使用率低的优势在图像检索领域应用比较广泛。同时由于深度学习的高速发展,基于深度学习的深度哈希方法也受到广大研究者的青睐。然而现有的哈希学习方法都是基于普通的图像数据集设计的,直接迁移到人脸图像检索上面会存在人脸哈希特征表达的问题。同时,由于现有的深度哈希算法只关注着图片对之间的相似性关系的学习,而忽略了图像本身所带的语义信息,同时现有的一些方法在特征学习和特征量化存在分离的过程,会导致比较大的量化误差,严重影响人脸图像检索的精度。本文针对这些问题,对现有的哈希方法进行了改进,提出了一种基于多重目标优化函数的联合学习方式,设计并且实现了一套二次检索的检索模式,在提高检索速度的同时,保证了比较高的人脸检索精度,在人脸数据集上进行验证,相比其他哈希学习方法,在人脸检索方面取得当前最高检索精度。本文的具体工作如下:(1)提出了一套深度哈希网络。通过ResNet,Inception Resnet模块,设计了一个适合人脸哈希学习的深度哈希网络。相比传统的哈希网络而言,该深度哈希网络在深度上更深,并且通过不同的尺寸的卷积核对不同层次的特征进行了学习和组合,更加适合人脸二值哈希码的表达。(2)设计了一种基于多重目标联合学习的哈希损失函数。通过在人脸图像自身语义,人脸图像对之间的相似性关系和浮点型特征向二值特征量化误差这三个层面联合优化深度哈希网络,使得哈希网络学出来更加鲁棒的二值码。(3)在汉明检索的基础上,提出了利用N张紧邻图片基于浮点特征二次排序的检索模式。在保证检索速度的情况,使得人脸检索精度相比单纯利用二值编码得到质的提高。