图像是人类对于自然景物的视觉认知基础,是人类社会活动中最常用的信息载体。随着互联网的发展、大数据时代的到来、图像采集工具的普及,生活中出现了越来越多的图像,人们对于大规模图像检索的要求也越来越高。当前大规模图像数据库的检索有着图像数据量大、特征维度高以及要求响应的时间短等特点,基于内容的图像检索在新的情况下面临着新的挑战。原始的线性扫描方法虽然有着较高的检索精度,但是它的检索的过程需要较长的时间和较多的内存资源。基于树的图像检索方法在处理低维数据时较线性扫描有较大提升,但是在处理高维数据时其检索效率大幅度下降,使得基于树的图像检索方法无法适用于大规模图像的检索,为此基于哈希的图像检索方法被提了出来。基于哈希的图像检索方法将图像的特征转变为哈希码,使用汉明距离来比较图像的相似性,可以大大减少计算机的内存消耗和检索响应时间,因而它能更好的适用于大规模图像的检索。该文在用于大规模图像检索的哈希编码方法方面做了大量的研究,论文的主要工作和贡献总结如下:首先,为了降低哈希图像检索编码时的信息损失问题,设计了一种最小损失哈希的图像检索算法。通过结合主成分分析与拉普拉斯特征映射,将原始高维数据进行降维处理;然后对特征降维和二进制量化的损失函数求极值得到哈希函数;最后,哈希函数将原始特征矩阵转换为哈希码矩阵,计算图像哈希码间的汉明距离得到图像的相似性。该文所提出的方法分别在四个数据集上进行实验,并与领域相关方法进行比较。实验结果表明文中提出的方法可以更好的保护数据的近邻特征和降低量化编码过程中的信息损失,提高了检索精度。其次,为了解决单比特量化无法很好的保护特征的近邻结构以及曼哈顿量化检索时耗时过多的缺点,设计了一种使用位运算的双比特高效量化方法。该方法采用一种新的编码方法,在二值编码时加入数据的位置信息,用来表示数据之间的近邻关系。在距离计算时设计一种经过微调的汉明距离度量方法,使得在距离计算时充分发挥计算机高效的位运算能力,以此来提高计算速度。该方法分别在四个数据集上进行实验,并与现有的量化方法进行比较,实验结果表明该量化方法确实在检索速度和检索精度方面均有优势。