近年来,随着数据种类的不断多样化,如何有效检索跨模态数据成为了人们关注的热点问题。由于基于哈希的跨模态检索方法具有低存储开销和高检索速度的特点,使得跨模态哈希成为了许多学者研究的重点。然而,现有的研究大多忽略了对于邻域邻近性保持和类别邻近性保持的探索。此外,随着数据的爆炸式增长,大量的新兴事物（不可见类数据）给传统的跨模态检索带来了巨大的挑战,大多数现有方法难以完成在数据零样本情况下的跨模态检索任务。为了解决上述问题,本文提出了两种基于类别语义嵌入的跨模态哈希方法,利用类别语义信息建立类别之间的联系,从而提高跨模态检索的性能,具体内容包括:（1）针对邻近性保持的问题,提出了一种流形嵌入语义哈希算法。该方法利用局部线性嵌入对邻域邻近性进行建模,并通过类别语义嵌入保持类别的邻近性。使得流形嵌入语义哈希不仅可以提取不同模态数据的流形结构,而且可以将类别语义信息嵌入哈希编码中,进一步提高学习的哈希编码的判别能力。（2）针对数据零样本的问题,提出了基于属性的正交投影跨模态哈希算法。该算法将跨模态特征和类别属性均投影到汉明空间中,并约束汉明空间中的跨模态特征的投影与不匹配的类别属性正交,因此模型可以学习每个模态的具有判别性的二进制哈希表示。其中,通过类别属性转移可见类的知识到不可见类,从而完成零样本跨模态检索任务。本文在广泛使用的数据集上进行了大量的实验,并在多种评价指标下与多种先进的方法进行对比,以此评估本文提出的算法的性能。实验结果表明,本文提出的流形嵌入语义哈希可以有效提升跨模态检索的性能,同时可以在深度特征上获得良好表现。而本文提出的基于属性的正交投影跨模态哈希可以在可见类和不可见类的检索中均获得良好效果,验证了该方法处理零样本跨模态检索问题的有效性。因此,本文提出的算法能够有效处理传统跨模态检索以及零样本跨模态检索任务。