近年来,互联网技术正在改变着人们的生活,图像作为重要的信息载体,其数量也在呈指数式增长。面对海量的图像数据,如何有效快速地寻找到感兴趣的图像是一件有价值的研究课题。基于哈希的图像检索算法由于其存储空间低、计算速度快的优点,迅速得到了很多研究者的关注。随着深度学习的发展,许多基于深度学习的哈希算法在图像检索领域取得了一定的成果,但是针对不同任务的检索结构仍然有改进的空间。为了进一步提高图像检索的性能,本文结合有监督和无监督两个方面,展开了三个方面的工作:1.本文提出了一种联合分类损失的双流有监督深度哈希。算法主要包含一个双流有监督深度框架,第一流的神经网络专注于空间上的语义关联性学习,第二流的神经网络专注于通道上的语义相关性学习,将这两个神经网络融合为统一的框架,利用三元组损失函数、分类损失函数和量化损失函数同时优化网络。图像空间流和图像通道流的学习过程彼此受益,从而产生具有判别性的哈希码。2.针对k最近邻算法存在非邻居项的缺陷以及训练过程中数据不平衡的问题,本文提出了一种基于扩展的k相互近邻的无监督深度哈希模型。模型将自动编码器作为训练网络,研究利用扩展的k相互近邻算法来构造成对相似矩阵指导模型学习,在训练过程中在损失函数上添加自适应的权重解决数据不平衡的问题。最后在三个数据集上做了大量实验证明了算法的有效性。3.针对目前的一些无监督深度哈希算法依赖刚开始k-means聚类算法产生的伪标签问题,本文提出了基于迭代优化伪标签的无监督深度哈希算法。该模型在训练过程中不断更新网络参数,同时重新聚类优化伪标签,避免了早期特征聚类产生伪标签不稳定的问题。上一轮训练更新的网络参数用于下一轮特征聚类优化伪标签,反复迭代直到得到最优结果。