随着图像等非结构化数据的大量增长,基于语义的大规模图像检索技术受到广泛关注,特别是深度哈希算法的提出,利用深度模型提取特征并转换成哈希码,可以极大的提高检索的精度和速度。但是大量图像集中到数据中心进行训练,不仅会导致过高的通信和计算开销,还会带来数据隐私方面的问题,因此亟需提出一种分布式图片检索方法,通过分布式训练不同地点图像库,实现深度模型统一训练的效果,针对这一问题,本文做出如下工作:首先研究了端到端的分布式深度哈希图像检索算法,分布式节点利用本地图像集构建深度哈希模型,在训练过程中,各节点通过系统的通信链路实现输出层的参数交互,利用交替方向乘子法（Alternating Direction Method of Multipliers,ADMM）保证全局参数一致性优化,并结合端到端的二次前传机制,通过深度学习的反向传播完成端到端的深度哈希训练过程,实现了统一训练的效果。最后,在分布式的公共数据上验证了所提算法的有效性。在此基础上,本文进一步提出了端到端的分布式哈希多层参数优化算法,通过ADMM顺序优化多层参数,结合端到端的二次前传机制,并根据反向传播算法实现了端到端的统一训练的效果,解决了输出层参数量过少而导致的模型泛化性较差问题,提升了模型的泛化性。最后,在分布式的公共数据上验证了所提算法的可行性。