基于内容的图像检索作为21世纪发展最快的相似性检索方法,是近几年信息检索领域的研究热点之一。与基于文本的图像检索使用文本标签检索不同,基于内容的图像检索根据图像内容匹配相似图片,检索时图片经特征表示后在特征空间中进行相似性比较。传统基于内容的图像检索使用图像底层信息如颜色、纹理、形状、边缘等构建图像特征,特征维度一般较高,特征表征能力较弱,检索性能受维度灾难和语义鸿沟的影响。哈希技术作为一种新的数据索引方法为传统基于内容的图像检索带来新的新望。哈希技术可由稀疏高维的图像特征生成紧凑低维的哈希码,对于实现大规模图像快速检索具有重要意义。近年来随着卷积神经网络的快速发展,基于卷积网络的深度哈希技术获得很大的研究关注。深度哈希通过卷积网络学习哈希函数生成哈希码的方法对传统哈希技术基于底层图像特征通过人造哈希函数生成图像哈希码的方式提出挑战。深度哈希在性能上远优于传统哈希技术。本文结合哈希和卷积神经网络提出了一种新的端到端可训练的深度哈希框架。框架使用卷积神经网络从图像数据抽取高层图像特征;利用隐藏哈希层在该特征基础上学习哈希函数;哈希函数生成的哈希码用于图片分类任务。分类损失和量化损失同时计入网络损失用于回传优化卷积网络的特征抽取和哈希层的哈希函数的学习。经过本文方法生成的哈希码具有量化误差小的特点。本文框架仅依赖于图像及其类别信息进行训练,生成的哈希码可用于对大规模图像数据库进行索引以便进行快速检索。在MNIST和CIFAR-10数据集的实验结果表明本文方法较其他对比哈希方法能获得更好的检索效果。