为了在海量的视觉信息中快速筛选出所需的内容,近些年来大规模图像检索成为计算机视觉领域的一个重要研究方向。哈希方法作为近似临近搜索的重要技术之一,以其“低存储、高速度”的巨大优势从各种特征中脱颖而出,受到了广泛的关注。哈希方法可以将视觉信息从高维空间映射到低维二值空间,其基本要求是保留映射前后数据的相对关系。然而获取标签的成本很高,也很难直接从无标签数据中获取到有效的信息。因此,为了更好的挖掘数据的潜在结构,本文提出一种无监督深度哈希特征提取算法。本文的主要创新点是两种损失函数的构建,一是无监督聚类损失,通过对样本空间密度的分析,假定一部分样本为“伪类中心”,之后不断更新类中心的同时缩小类中心的规模,合并相近子类;第二种是排序损失,它对批次内的样本进行相似度排序,用特征的相似度排序列表去拟合原始图片的相似度排序列表,站在更高的维度上尝试直接优化最后的目标。本文在CIFAR-10,MNIST和Brown三个经典数据集上评估本文提出的方法并与已有方法进行比较,发现与传统方法和端到端的无监督深度哈希方法相比本文方法均能取得相当不错的结果,说明本文提出的方法有效的实现了保留数据结构信息的预期目标。