随着科技的发展,网络上不同模态的多媒体信息日益增多。适应这一发展趋势,跨模态检索成为一个重要问题。哈希方法由于具有存储空间小、计算速度快的优点,在跨模态检索中受到了广泛的关注。跨模态哈希方法是将样本的不同模态的特征映射为二进制的哈希码,通过计算哈希码之间的汉明距离,来对不同模态样本之间的相似性进行衡量,从而进行跨模态检索。本文主要围绕跨模态哈希方法进行研究,提出两种监督跨模态哈希方法,研究成果如下:(1)在将不同模态的特征映射到统一的汉明空间的过程中,如何更好地保持模态间相似性和模态内相似性仍然是一个挑战。大部分现有的跨模态哈希方法忽视了对不相似样本的限制。此外,大部分现有的跨模态哈希方法在优化的过程中放松了对哈希码的离散约束,优化放松后的目标函数,再将得到的连续值量化来获得哈希码,然而这种方法会带来量化误差并且降低检索性能。为了解决上述问题,本文提出一种监督跨模态哈希方法,称为离散相似性保持哈希方法。该方法同时保持模态间相似性和模态内相似性,特别地,该方法对相似样本和不相似样本都进行限制以学习更有区别性的哈希码。此外,设计一种离散优化方法来学习离散的哈希码。最后,在三个数据集上的实验验证了该方法的有效性。(2)利用标签信息有利于提高跨模态检索的性能,另外虽然已有一些方法将协同矩阵因子分解应用在跨模态检索中,在训练的过程中如何更好地将标签信息和协同矩阵因子分解融入一个框架中仍然需要引起关注。此外,大部分现有的方法放松离散约束后再优化目标函数,这会影响跨模态检索的性能。为了解决上述问题,本文提出一种监督跨模态哈希方法,称为语义关联离散哈希方法。该方法将训练样本的语义类别标签回归到哈希码,采用协同矩阵因子分解直接学习哈希码。此外,在对目标函数进行优化时,对于哈希码矩阵用一种离散优化的方法进行求解。最后在三个数据集上进行了实验,实验结果验证了该方法的有效性。