随着信息技术的发展,数据规模急剧增长,如何高效的从海量图像数据中检索出相似的图像,已经成为图像检索领域的研究热点。作为近似近邻搜索的重要代表,哈希学习(Hashing Learning)通过学习图像的二进制编码表示,显著减少了图像的存储和查询开销,从而应对大规模图像数据中的检索问题。基于深度学习的哈希算法已经成为哈希学习的主要研究方向,本文主要针对深度监督哈希进行研究,具体工作可以总结如下:1.考虑到现有的深度哈希方法在训练策略和标签语义利用上的不足,本文提出了一种深度语义非对称哈希算法(Deep Semantic Asymmetric Hashing,DSAH)。首先受非对称深度哈希算法的启发,DSAH采用非对称的训练方式,利用查询图像训练深度哈希网络,整个数据库图像的哈希编码通过优化算法直接得到。然后为了充分利用图像标签和语义内容之间的关联,我们设计了一个端到端的深度哈希网络,该网络由标签自编码器网络和图像网络组成,利用标签自编码器网络对图像网络的学习进行监督,将图像标签的语义信息嵌入到深度哈希网络的学习中。2.针对相似性分布倾斜对深度哈希方法在训练过程中的影响,尤其是对非对称深度哈希方法造成的影响,以及现有的深度哈希网络对图像表示的不足,本文提出了一种深度优先局部聚合哈希算法(Deep Priority Local Aggregated Hashing,DPLAH)。首先将Net VLAD与深度哈希网络相结合,从而提高哈希网络对同类别图像的表达能力。然后通过对图像对之间施加不同权重来减轻相似性信息分布倾斜对哈希网络的影响,从而使汉明空间中难以保持相似关系的图像对优先训练。3.使用FLASK框架开发了一个基于深度监督哈希方法的图像检索系统,实现了图像检索的功能。