由于网络的蓬勃发展,图像数据资源呈爆发式增长,面对海量的数据资源,传统的图像检索方法检索效率慢且检索性能低,已经无法满足应用要求,所以如何在大规模图像数据资源中高效、快捷、精确地检索用户需要的图像已成为热门话题。近年来,深度学习技术蓬勃发展,为图像检索技术的进步提供了强大的助力。目前,深度学习与哈希算法的结合已成为现代图像检索算法的新潮流:一方面哈希算法是图像检索中最普遍最常用的近似最近邻搜索技术之一,在计算效率和检索质量方面行之有效;另一方面深度学习利用端到端学习图像深层特征,生成有效的二进制哈希码。损失函数和网络结构的设计密切影响了深度学习与哈希算法的特性,因此本文根据网络模型与哈希算法的优势,提出了基于深度学习的哈希图像检索方法。本文的工作主要包括:（1）针对已有的成对损失和三元组损失的深度哈希框架往往收敛缓慢,在每次更新时只对一个负样本进行优化,从而既增加了计算量,也导致了训练速度和收敛速度缓慢的问题。针对上述问题,提出了一个采用多类N-pair损失的深度哈希图像检索方法。首先在训练时会同时学习所有类组合之间的距离,从而增大样本与其所有负类样本间的距离并缩小与正样本间的距离。其次,通过使用N对的有效批处理构造策略来减少模型训练的计算负担。该方法在两个公开的基准图像数据集上与9种成对损失和三元组损的图像检索方法开展了实验,与对比方法进行了深入分析。实验结果显示,所提方法在图像检索中达到了更高水平的检索性能。（2）针对现有的哈希图像检索方法表达能力较弱,训练速度慢,检索精度低,难以适应大规模图像检索的问题,提出了一种基于深度残差网络的迭代量化哈希图像检索方法。首先,使用深度残差网络对图像数据进行多次非线性变换,提取图像数据特征,获得具有语义特征的高维特征向量;然后,使用主成分分析进行特征降维,运用迭代量化对生成的特征向量进行二值化处理,更新旋转矩阵,得到最佳的投影矩阵;最后,通过实现哈希学习,获取到最优的二进制哈希码,在汉明空间中实现图像检索。该方法在三个基准数据集上与先进的哈希图像检索方法开展了实验,结果表明在大规模图像检索场景下,所提方法减少了量化误差带来的影响,提高了训练速度,具有更高的检索性能。（3）为了更高效的将学习特征表达并抑制在离散过程中产生的量化偏差,提出了基于深度残差注意力网络的深度哈希图像检索方法。注意力模块学习了强调或抑制的内容和位置,并有效地改进了中间特征,提升网络捕获有效图像信息的能力,从而提高特征学习的能力。此外,还设计了成对度量三元组损失函数,在三元组损失函数中通过结合欧式距离和余弦距离度量,引入角度度量来缓解单个度量的偏差,学习全局特征来改善度量学习损失,有助于模型扩大样本的相似性特征。在两个基准数据集上与先进的深度哈希图像检索方法进开展了实验,结果显示所提方法能够有效的增强局部目标特征,有助于扩大样本间的相似性特征,从而提高模型的性能。