随着大数据时代的到来,人们对大规模图像检索方法和高效索引方法的研究引起了很大的关注,找到与查询图像最近邻的结果是一个基本的研究问题。由于哈希技术在效率和准确性方面的良好性能,基于哈希技术的近似最近邻检索(Approximate Nearest Neighbor searching,ANN)成为了一种流行的图像检索方法。但是,哈希技术在对图像进行二值化表达时存在信息损失、区分能力不够的问题,影响了检索结果的准确性。为了解决上述问题,本文对基于深度哈希方法的大规模图像检索进行了研究,提出了融合多种深度哈希编码的图像索引新方法,使相似的图像被映射到距离更接近的哈希编码上、不相似的图像被映射到距离较远的哈希编码上,增强了哈希编码的二值化表达能力和区分能力,提高了大规模图像检索性能。本文的主要工作如下:首先,介绍了大规模图像检索技术的研究背景,总结了大规模图像检索和图像哈希索引的研究历史和现状。通过对大规模图像检索和哈希索引的回顾,发现深度哈希方法不仅能够对图像的内容有较好的理解,还能为大规模图像检索提供一种可行的索引方法。其次,详细研究了一种有监督的基于成对标签信息的深度哈希索引方法,该方法能够同时对图像深度特征和哈希码进行学习。本文将VGG-F和Alex Net两种不同结构的深度神经网络模型分别应用到该方法中,构建出两个结构不同的深度哈希网络模型。实验结果显示,与目前流行的其它哈希方法相比,这两种不同结构的深度哈希网络模型在检索性能上均具有明显的性能优势。接着,本文提出了一种融合多种深度哈希编码的图像索引新方法——深度融合哈希索引方法,该方法把上述两种深度哈希网络模型生成的哈希编码进行了融合,生成更高效的哈希编码。本文在两个公开的大规模图像库上进行了实验,实验表明,相比于基于单一网络结构的深度哈希网络模型,本文提出的模型能够在保留更多的图像视觉信息和相似性的同时,增强二值哈希编码的表达能力,有效地区分图像,在大规模图像检索应用的索引构建和检索方面都表现出了良好的性能。最后,本文将深度融合哈希索引方法应用到大规模图像检索中,开发了一套面向大规模图像检索的系统。该系统实现了“以图搜图、所见即所得”的功能,在经典的图像数据库Corel、NUS-WIDE数据库上均表现出了出色的性能。