大规模图像检索任务是计算机视觉领域的重要研究分支,为了保证检索质量和计算效率,哈希检索方法已引起越来越多的关注。哈希检索方法的思想是将高维数据转换为紧凑的二进制哈希码,并为相似的数据项生成相似的二进制哈希码。目前,凭借强大的图像特征学习和哈希学习能力,深度学习结合哈希编码的深度哈希方法在实际检索任务中取得突出的效果。为了研究更为有效的哈希码以提升检索性能,本文在现有哈希方法基础上完成下面的工作。(1)提出一种基于哈希中心的连续学习方法,通过减少量化损失以提升检索性能。该方法在中心相似性的基础上,采用连续学习的方式优化带有符号函数激活的深层网络,解决不适定的梯度问题降低数据的特征损失。通过在NUS＿WIDE、MS COCO和CIFAR-10三个基准数据集上的大量对比实验表明,基于哈希中心的连续学习方法可以显著提升检索性能,与当前经典的图像检索方法相比,所提出的方法可以得到更高的检索准确率。(2)提出一种基于HashNet的重排序方法,通过对汉明距离哈希位加权,并在检索阶段利用松弛前特征的欧氏距离进行细粒度重排序,以提升检索性能。在大规模检索任务中,通过HashNet减少了量化损失,使用哈希位加权汉明距离进行相似性度量可以对具有相同汉明距离的图像进行有效排序。另外,对粗检索得到的候选集再使用松弛前特征向量的欧氏距离进行细粒度重排序,可以进一步提升检索性能。通过在NUS＿WIDE、MS COCO和Image Net三个基准数据集上的大量实验表明,基于HashNet的重排序方法能有效提高准确率并具有更好的鲁棒性。