随着互联网和信息技术等的发展,各行各业的图像数据呈现爆炸式的增长,如何高效的检索图像就显得尤为重要。当前,大规模图像检索已经成为计算机视觉领域的研究热点,推动着各行各业的发展。其中,基于哈希的图像检索由于其存储空间小、检索速度快等特点,成为大规模图像检索领域中的重要方向。但是,基于哈希的图像检索仍然存在一些研究难点。图像特征的提取、哈希函数的设计、复杂数据输入的适应等问题,成为制约哈希检索的关键。因此,结合上述描述的问题,本文针对基于哈希的图像检索展开了深入的研究:首先,设计一种基于特征匹配的特征提取网络。特征提取对于哈希码的产生十分重要。为了获取更准确的特征,本文将特征图与具有代表性的特征进行匹配,根据匹配的结果,为不同通道的特征图设置权重。具体来说,本文提出一个典型的特征匹配块。该算法将输入特征融合成一个具有代表性的特征图,然后采用匹配策略获得通道关系。此外,对于CNN的池化层,本文利用匹配策略来学习池化前后特征的关系,以加强特征中的原始信息。该方法可以在特征的学习过程中,挖掘到最关键、最具有代表性的特征,有利于特征的哈希化。并且,该方法可以扩展到一般的网络学习过程中。其次,对哈希映射方法进行研究,提出一种新的局部连接哈希映射算法。当前大多数哈希映射方法采用全连接的方式,直接对提取到的图像特征进行降维和量化。这样哈希码的每一位都与全局信息关联,产生信息冗余的问题。因此本文采用局部连接的方式来解决这一问题。本文将学习到的特征图平均分成若干份,对于每一份使用全连接的形式来生成一位哈希码。从而每一位哈希码只关注到部分特征,更加有利于哈希码的生成。最后,在上述方法的基础上,提出一个深度协同框架用于多分辨率图像哈希。现实世界中,图像数据是复杂,存在不同分辨率的图像共存的情况。而当前的哈希算法大多只是针对特定的分辨率图像进行训练和测试,没有考虑到图像质量下降的情况。因此本文提出一个协同框架用来解决多分辨率图像的哈希表示问题。为了使深度哈希模型能适应低分辨率图像特征,本文在哈希网络的基础上嵌入超分辨率网络。并且以一种端到端的形式,在不损害高分辨率图像哈希化的情况下,实现对低分辨率图像的高效哈希表示。