近年来,智能照相设备的普及带来图像数量的激增,如何从海量图像中快速准确地查询到用户感兴趣的内容,已成为多媒体信息检索领域的一大研究热点。基于内容的图片检索,允许用户通过输入样本图片检索出语义上相似的图片,已在电子商务、媒体设计、公共安全等领域获得广泛应用。对于大规模图片检索,检索准确率、资源消耗、检索效率是需要考虑的主要因素。卷积神经网络能够学习图片的深层语义信息,基于卷积神经网络的图片检索能大幅度提升检索准确率。哈希算法将任意长度的向量映射为较短长度的二进制码,可解决资源消耗和检索效率两大问题。基于卷积神经网络的哈希算法是当前图片检索的一大重要研究方向。由于现有的有标签图片的缺少以及人工标注的高成本,本文首先从无监督深度哈希方面展开研究。接着,由于现有的有标签图片通常拥有多个标签信息,如何充分利用图片的多标签信息来提升检索准确率也是本文研究的一大重点。本文针对无标签图片提出了基于数据增强的无监督深度哈希算法(UTH)。我们首先介绍两大常用的度量学习模型:Siamese和Triplet,并设计实验证实Triplet在检索准确率方面优于Siamese。为了让模型学习到无标签图片的辨识信息,UTH利用数据增强将原始图片进行不同程度的旋转,并随机在数据集中抽取一张图片和旋转图片匹配。原始图片、旋转图片和随机图片构成了具有辨识信息的三元组训练样本。在训练中,本文中提出的判别损失函数用来学习三元组训练图片的辨识信息。量化误差损失函数和均匀分布损失函数分别用来控制输出特征向量的分布,降低量化误差并提升哈希码的表达能力。在三组开源数据集CIFAR-10,MNIST和In-shop上大量的实验结果证实UTH能够学习到具有辨识性的哈希码,提升模型的检索准确率。本文针对多标签哈希提出了基于mLogTriplet损失函数的多任务多标签深度哈希算法。针对triplet损失函数非处处可导的问题,我们提出一个处处可导的mLogTriplet损失函数。另外,WContrastive损失函数被用来学习多标签图片之间的多级相似特征,提升检索返回列表的质量。为了更加充分地利用图片的多标签信息,交叉熵损失函数被用来进行多类别分类,直接学习每个类别在特征空间内的分类超平面。在多标签数据集VOC2007和MIRFLICKR-25上大量的实验结果证明本文提出的方法在检索准确率方面的有效性。