随着移动互联网时代的来临,社交媒体、电子商务等新兴平台的不断涌现,随之产生的各式数据呈几何指数上升。不仅如此,监控摄像头网络、车联网系统、智慧医疗影像等技术的发展也产生了海量的数据。这些数据不仅具有极高的商业价值,同时也是涉及国防安全,国计民生的重要资源。如何运用好现代信息技术从这些海量的数据中搜索所需的数据是一个极具价值且有挑战的工作。基于哈希学习的图像检索方法具有储存性能优、查询耗内存少、速度快以及精度高等特点,所以受到了国内外许多学者的广泛关注。大多数现有的监督哈希是集中式的,例如监督离散哈希（SDH）和具有松弛的监督离散哈希（SDHR）。SDH方法通过使用普通最小二乘回归和传统的类标签信息的零一矩阵编码来确定回归目标。而SDHR是对回归目标矩阵添加一个约束,使得每个样本都被正确分类并满足更大的余量,从而达到优化回归目标的目的。在现实环境中,大量的数据会分布在不同的机器上,例如,安防系统中的摄像头、蜂窝网络中的智能手机、车联网中的智能汽车等。因此,集中式哈希方法有很大的局限性,为克服只能在单台机器上训练的缺点,DSDH将SDH扩展到了分布式网络中,并且取得了良好的效果。在本文中,我们提出了基于SDHR的松弛分布式监督离散哈希方法（DSDHR）,将SDHR方法引入分布式网络。在此方法中,所有节点共享一个哈希学习模型。同时,引入了一致性约束,以确保DSDHR方法在多个节点上并行更新。在每个节点中,使用交替迭代的方法获得二值化哈希编码、回归目标和哈希函数。在三个公开的标准数据集CIFAR-10、Wiki和NUS-WIDE上,对所提出的方法DSDHR进行相关对比实验。实验表明,DSDHR相比一些集中式和分布式哈希方法在检索精确度方面有所提升。而在训练效率方面,随着码长的增加,本文提出的DSDHR的训练时间相较于集中式SDHR的训练时间有显著的减少。这说明DSDHR克服了集中式方法SDHR在码长较长时训练时间长的劣势。通过消融实验,可知某些参数对于DSDHR方法影响不明显,说明所提出的方法更加稳定。综上所述,DSDHR方法是具有一定竞争优势的哈希检索方法。