互联网的高速发展为我们的生活带来大量的多模态的数据,而在多媒体数据中进行检索也成为了大多数人的需要。顾名思义,交叉模态检索是一种能在不同模态中进行检索的技术,以其有效且高效的特点,在多媒体数据检索中受到了大量研究人员的关注。而哈希技术的出现,能将海量的数据通过投影转化为二进制代码,大幅度降低了存储空间和检索时间要求,其又将交叉模态检索技术往前推进了一大步。当前的主流方法是利用联合矩阵分解方法学习一个共同的子空间来进一步得到统一的哈希码,以便异构的数据能通过其进行交叉模态检索。但这种方法仍然存在不少缺乏之处。首先,这些方法大多只注重保持数据的局部性,而忽略了矩阵分解过程中保留重建残差。其次,将数据投影到共同语义空间时,没有考虑到数据的能量损失。最后,由于不同模态的数据具有不同的性质,将异构的的数据直接投影到统一的语义空间中是不合理的。因此,不同于大多数采用联合矩阵分解进行交叉模态检索的方法,本文首先使用标签信息构建相似图,然后通过类PCA将异构数据特征保留到不同的子空间中,再将不同子空间通过全局相似图相互逼近,后提出均值逼近的方法将不同的语义空间整合到同一子空间来得到统一的哈希码,简称为均值逼近哈希（AAH）,其主要的研究成果如下:（1）AAH利用标签信息构建局部相似图并将其嵌入重构框架中,在对原数据进行重构拟合和降维过程以保留模态的重构残差;AAH在重构中引入类PCA变换矩阵,保证重构后的语义空间能保持数据的主能量。（2）AAH提出将异构的数据投影到不同的语义空间中,使不同的语义空间能保留不同的模态特性,然后AAH使两个语义空间在整体和局部都相互靠近,使得不同语义空间得语义相互靠近,以便于得到一个共同的哈希码;（3）AAH采用平均近似策略,将不同模态的重构语义空间的平均值拟合逼近统一的哈希码,使得学到的统一哈希码能同时保留不同的模态信息。在众多实验中被广泛使用的三个标准数据集上的比较实验表明,本文提出的AAH方法优于当前的数个最新且稳定的交叉模态哈希方法。