随着互联网与多媒体技术的快速发展,网络上可用图像数量呈现爆炸式增长,社会进入了以“大数据”为标志的网络数据时代。因此,如何快速从海量数据库中搜索到特定的图像,已成为一个极具挑战性的任务。在实际应用中,由于哈希算法具有高效的检索效率,所以成为最受欢迎的候选方法之一。哈希算法的本质是解决一个离散优化问题,然而,大多数现有的哈希算法都选择去掉离散约束来解决一个松弛的连续优化问题。由于松弛会引起误差,所以这类哈希算法的通用性比较差。另一部分则选择应用单一形式的哈希函数,以及与这种特定形式紧密耦合的优化过程,但这种紧密耦合会限制哈希算法响应数据的灵活性,还可能导致难以解决的复杂优化问题。此外,当使用哈希编码和整数值汉明距离进行检索时,最终的排名通常包含着联系,不同的平局决胜策略会导致不同的结果。现有的哈希算法缺乏联系意识。为解决上述问题,本文提出了一种离散监督哈希算法。该算法采用了一种简单并灵活的两步哈希框架,它可以容纳不同类型的哈希函数。这个算法的具体步骤如下:(1)哈希编码学习阶段,采用了一种基于列采样的离散优化方法,它可以直接从语义信息中学习训练数据的哈希编码;(2)哈希函数学习阶段,通过训练三种不同类型的二元分类器来实现样本的扩展,例如线性分类器,增强决策树和深度卷积神经网络;(3)排名指标优化阶段,通过直接优化基于排序的评估指标来选择最优的平局决胜策略,从而提高哈希算法的检索性能,例如平均精度和归一化折损累计增益。在标准数据集CIFAR-10和NUS-WIDE上,对本文提出的离散监督哈希算法进行了相关的对比实验。实验结果表明,非线性分类器的检索效果优于线性分类器,排名指标的优化阶段可以进一步提高哈希算法的检索性能。