随着互联网的快速发展和智能终端设备的普及，多媒体数据(图片、视频、文档...)呈现爆炸式的增长，我们进入了大数据时代。据调查显示，Facebook拥有10亿以上的用户，每天上传超过3.5亿张图片。新浪微博用户数超过5亿，每天产生的微博数超过1亿条。面对规模庞大的数据，如何高效地检索目标数据对大规模数据的管理和使用有着重大意义。最近邻的数据检索方法，由于数据维度高和数据规模大，导致查询速度慢、存储代价高。另外，基于传统哈希编码的近似最近邻检索技术通过构造哈希函数将高维特征映射为低维的二值码，减少了存储空间和提高了查询速度，但是其事先需要进行手工特征提取及存储，对大规模数据而言工作量大。
近年来深度神经网络在特征提取领域取得了重大突破，学者们将深度神经网络和哈希学习技术结合起来，提出了深度哈希学习，实现了同步进行特征表示学习和哈希学习，在实际应用中，取得了更好的检索效果。
现有的深度哈希学习主要根据数据对离散的语义相似性(1或-1)去保持数据对的相似性或相对相似性，忽视了数据对之间的高层语义特性以及数据对之间的局部语义相似性关系。
针对前人研究存在的问题，本文主要研究基于深度哈希学习的视觉检索任务，提出了一系列深度哈希学习算法。并在多个大尺度图片数据集上进行了丰富的评测验证。具体而言，本文取得的主要研究成果如下：

1. 为了有效保持数据对在汉明空间的语义相似性，本文提出了基于数据对相似度敏感机理的深度哈希方法，使得语义相似的数据对在汉明空间距离小，不相似的数据对在汉明空间距离大。对于以数据对作为输入的深度哈希技术，某些数据对无法有效保持相似性，本文对训练数据对构建一个相似度保持难易程度的先验信息，然后采用权重自适应的交叉熵损失函数学习数据对之间的相似性，生成鲁棒的二值码。在量化阶段，为了保持已学好的成对相似性，本文提出了基于拉普拉斯分布的相似性保持模型，尽可能保持已学好的成对相似性。几个标准数据库上的实验结果验证了基于数据对相似度敏感机理的深度哈希算法的有效性。

2. 为了利用数据对中的局部语义相似性关系，本文提出了基于局部语义感知的深度哈希方法，保持数据对在汉明空间的局部语义相似性。由于逐对的哈希学习获取数据对的相似性或基于三元组排序的哈希学习获取数据对的相对相似性，无法展示数据对之间的局域语义特性。本文在三元组基础上，构建一个四元组作为输入，利用潜在的局部语义关系，有效地保持数据对在汉明空间中的局部语义相似性。考虑到量化误差会削弱数据对的相似性，本文提出了汉明等价映射的量化约束，保持二值码对和相应实值对相似性的一致性。实验结果表明，基于局部语义感知的深度哈希方法可有效生成紧凑的二值码，提高了检索性能。

3. 为了有效挖掘数据对之间高层相似性关系，本文提出了基于语义重定义的深度重构哈希算法，保持数据对之间的高层语义特性。由于现有的方法简单地构建数据对之间的相似性关系，样本对之间的细粒度信息无法展现以及在汉明空间生成不兼容的二值码，本文重新定义了数据对之间的相似性关系，在相似数据对中我们考虑两个数据的细粒度语义特性，在不相似性数据对中我们挖掘与其它数据对的兼容情况，然后在汉明空间重建出具有这种高层语义特性的二值码。
由于二值码离散不可导，我们对离散变量进行松弛，同时采用了基于指数分成对布语义保持模型去维持已学好的语义特性。实验结果证明了基于语义重定义的深度重构哈希的有效性，提高了大尺度数据的检索性能。