近年来,随着大数据技术的不断发展,大规模的图像检索研究已经得到了相当大的关注。在大数据时代,图像检索研究的主要问题在于如何高效地检索出用户所需要的结果。为此,哈希图像算法被广泛地应用在近似最近邻图像检索问题中。哈希算法可以将高维视觉特征表达转换为压缩的二进制编码,并且图像间的相似度可以通过哈希码间的汉明距离进行度量。哈希不仅提高了检索速度,而且降低了对于图像数据特征表达的存储空间。伴随着深度学习的快速发展,深度哈希成为了哈希研究的一个热门方向。并且,深度哈希相比于传统的哈希算法具有更好的性能。然而,大部分的深度哈希是基于监督学习的,而在许多实际应用中图像不具有监督信息。因此,本文提出了一个新的基于非监督学习的深度哈希图像检索系统,以适应更多的实际应用中的需求。本文的研究成果与创新点总结如下:1.设计了一个端到端的深度哈希图像检索系统,可以同时学习到鲁棒的图像特征表达和图像对应的哈希编码,并采用了后向传播和梯度下降方法对本文设计的深度哈希系统进行训练。2.在深度神经网络中引入了图拉普拉斯约束,提出了非监督的深度哈希图像检索算法,该算法在训练深度网络的时候不需要训练图像的标签信息。为了提高哈希编码的性能,该算法在图拉普拉斯的目标函数上增加了三个约束项,从而降低了量化误差,并且使得学习到的哈希码更加平衡、独立和不相关。3.本文在数据集CIFAR-10和CIFAR-100上对提出的方法进行测试。实验的结果表明本文方法在图像检索任务上的性能要优于其他的非监督哈希图像算法。