人工智能时代不断进步,使得计算机在很多方面能够做到和人类一样思维的操作,大幅度提升了办事的效率,正因为科技的进步,图像检索方式也在不断进步,人们对于图像检索的需求也日渐增多,因此,如何在大规模的图像检索任务中提升速度和精度成为图像检索工程中非常关键的任务。针对如何提升大规模图像检索任务的精度和效率的问题,提出了一种结合哈希算法和生成对抗网络算法的图像检索模型。该模型在无监督条件下进行,即不利用图像标签信息解决相似向量分类的问题,做到检索精度准确且检索速率高效。首先,利用卷积神经网络提取图像特征,将图像更深层次的特征有效提取出来,将图像更复杂的内容准确表达。其次,将得到的特征向量经过哈希函数量化处理,得到二进制哈希码,同时,为了能够正确将无标签图像分类,使相似图像的哈希码更相似,将根据分类算法构造近邻结构辅助哈希算法生成二进制哈希码。接着,利用生成对抗网络优化所得二进制哈希码,将二进制噪声变量作为生成器的输入,使得判别器对生成的假样本或真实所得的二进制样本进行判断,生成器和判别器通过不断博弈,将准确的哈希码输出。最后利用汉明距离对图像的特征向量进行相似性匹配,最终完成图像检索任务。实验证明,该实验适合于较大规模图像检索任务,并在标准图像数据集MNIST手写图像数据集和CIFAR-10图像数据集上进行实验验证,同经典无监督哈希算法进行图像检索的实验结果进行对比,实验结果显示,相比于对比的检索模型,该模型大幅度提升了检索精度。该论文有图32幅,表5个,参考文献55篇。