随着互联网的高速发展,图像数据规模呈爆发式增长,研究如何在海量图像数据中高效检索出用户感兴趣的图像具有重大意义。传统的基于内容的图像检索算法主要采用图像的内容特征进行相似度匹配,存在特征之间“语义鸿沟”、特征维度高、存储空间大、检索效率低等问题,用基于哈希的图像检索算法可以有效弥补上述不足。目前基于哈希的图像检索算法检索准确率和检索效率还无法令人满意,本课题为解决这两个问题,提出基于离散图哈希的图像检索算法,主要研究成果如下:针对图像检索中的特征提取问题,提出一种基于拉普拉斯图模型的多视图非负特征融合算法。采用非负矩阵分解技术,将每一种视图特征进行特征转换,分解后的非负特征表达能力更强。每种视图特征仅仅是图像语义信息的一个表现层面,采用拉普拉斯图模型将多种视图的非负特征嵌入到一个统一的潜在空间,在该空间中融合后的特征可以更完整地表达图像语义特征。在构造拉普拉斯图模型时,引入“锚点”技术,降低拉普拉斯矩阵的计算复杂度。根据算法模型,在公开数据集上进行了实验,验证本文研究的多特征融合算法要比单特征检索准确率高。为了构建高效索引,提出了一种有监督机器学习的离散图哈希图像检索算法。通过学习哈希函数,将原始空间中的数据特征映射到汉明空间,保持数据相似性,在汉明空间中计算哈希码相似度。在学习哈希函数时,利用数据的标签信息对图像语义信息的表示作用,采用有监督的机器学习方法,使用离散图优化框架,直接对约束变量为离散值的目标函数优化,避免了传统方法采用“松弛”策略导致哈希编码质量较低,提高了检索精度,采用离散循环坐标下降法,逐位生成所有训练样本的哈希码,提高了哈希码的生成速度,使用该算法在公开数据集上与其他主流哈希方法进行对比实验,验证了本文提出的哈希算法在图像检索时的高效性。为了验证多视图非负特征融合后的特征有效性,用离散图哈希算法对该特征进行检索实验,实验表明该特征与离散图哈希算法结合,在图像检索中能够提高检索准确性。