互联网和多媒体技术的快速发展,产生了大量不同模态的多媒体数据,跨模态检索成为信息检索领域的研究热点。跨模态哈希方法可以有效地为不同模态的数据建立比较关系,通过将数据转换成固定长度的哈希码,按位异或运算快速得到数据间的相似性。随着深度学习的发展,越来越多的基于深度学习的跨模态哈希方法被提出。然而这些方法都采用小批量训练方式训练模型,使得模型在训练过程中每次更新参数时获取样本数量有限,其目标函数不能得到好的梯度,影响最终训练模型的检索性能。针对此问题,本文提出了一种大批量训练的跨模态哈希方法,该方法采用大批量训练方式训练模型,以获得更好的梯度。但是,仅仅增加批量大小会导致训练不稳定,使得模型的泛化性能下降。为了解决此问题,本文引入正交正则化来增加大批量训练的稳定性,提高模型的泛化能力。此外还考虑了哈希码的离散性,将哈希码与特征之间的距离加入到目标函数中,使得哈希码能够更加真实地表示数据。在两个广泛使用的跨模态检索数据集上,本文方法与几种现有的跨模态哈希方法进行了检索对比实验,实验结果表明本文方法具有更好的性能。另一方面,现有很多跨模态哈希方法只考虑了模态间各个数据的关系,而忽视了模态内各个数据间的关系含有丰富的信息,这些信息有助于增加哈希码的判别性。针对此问题,本文基于上述提出的跨模态哈希方法,尝试采用五元组的方式输入数据,同时考虑模态内和模态间各个数据的关系来训练模型。在三个广泛使用的跨模态检索数据集上的实验表明,采用此方法可以进一步提升跨模态检索性能。同时,对模型的超参数进行了敏感性分析,以厘清相关参数设置对于模型训练和实验结果的影响。