随着网络技术的发展和智能手机的普及,大量视频、图片、文本等多模态数据应运而生。如何实现高效且精确的跨模态数据检索成为社会各界关注的焦点。大量研究表明跨模态哈希方法能够将不同模态的数据转换为同类型的哈希码,在实现跨模态数据检索的同时,还能大幅降低数据检索时所需的存储空间和时间成本。已有的大多数跨模态哈希方法将异构模态的数据特征映射到一个共同的子空间中,然后通过符号函数将实值子空间转换为离散的哈希码。然而,这类方法仍然存在一些不足之处。例如,部分方法为了提高哈希码的鉴别能力,只是通过投影的方式将标签中的类别信息嵌入哈希码中,却忽略了标签中蕴含的语义相似性和潜在语义关联;另外,有些方法利用标签构造大规模相似性矩阵,这会极大的增加优化算法的时间和空间复杂度;最后,许多跨模态哈希方法在学习哈希码的过程中独立于原始数据特征,这将导致所学的哈希码无法保持异构模态数据特征之间的关联性。基于此,本文提出相似性保持的判别跨模态哈希方法和非对称判别离散跨模态哈希方法,主要研究内容如下:（1）相似性保持的判别跨模态哈希方法。通过多标签核判别分析充分挖掘标签中的判别信息和潜在语义关联,并将其嵌入到共同子空间中,提高共同子空间的判别性。此外,利用标签计算样本之间的相似性,并在哈希码中保持,一方面可以提高哈希码的鉴别能力,另一方面可以避免使用大规模相似性矩阵,降低优化算法的时间和空间消耗;与此同时,最小化共同子空间与哈希码之间的误差,可以将共同子空间中的判别信息保留到哈希码中;最后为共同子空间引入正交和平衡约束,能够进一步提高共同子空间和哈希码的判别性。（2）非对称判别离散跨模态哈希方法在相似性保持的判别跨模态哈希方法的基础上,为共同子空间添加离散约束,降低了共同子空间与哈希码之间的误差,进一步减少了判别信息的损失。此外,通过加入潜在因子模型不仅可以直接生成离散的哈希码,而且还能在汉明空间中保留语义相似性。本文将上述两种方法分别在三个使用最广泛的数据集上进行多次实验,并与当下最新且最具代表性的跨模态哈希方法进行比较;结果表明本文所提出方法的检索精度高于其他对比方法。