近年来,随着移动互联网和多媒体应用的飞速发展,图像数据已经成为网络数据的重要部分,对网络中海量的图像数据进行快速检索和存储成为我们当前面临的一个挑战。图像哈希技术因其良好的数据降维能力,在应对这一挑战时发挥了巨大作用。图像哈希技术生成哈希码的质量依赖于提取到图像特征的好坏,基于人工设计特征的哈希方法因为特征提取能力有限,在实际应用中的效果并不理想。随着深度学习的迅速发展,基于深度学习的特征提取方法逐渐取代基于人工设计特征的方法。目前,图像哈希技术研究的一个热点是深度学习结合哈希编码的深度哈希方法,该方法凭借其强大的图像特征学习能力和哈希学习能力,在基于内容的图像检索领域取得了许多成果。虽然对深度哈希方法的研究已经取得了一定成果,但更适合这一任务的网络结构、优化算法等仍需要进一步探索。通过分析国内外图像哈希技术的研究现状,本文主要对应用于图像检索的深度哈希方法进行研究,论文主要工作如下:首先,图像特征提取的好坏直接影响哈希编码的质量,为了得到更高质量的哈希编码,本文改进了CNN-F网络来提高图像特征的提取能力。主要改进为:通过改进CNN-F的网络结构,提高了网络对较小物体的特征提取能力;通过引入时空金字塔下采样层,使网络对不同尺寸图像的特征提取能力提升,加快了网络学习速度。在PASCAL VOC 2007数据集上对改进的CNN-F网络进行了验证。其次,使用本文提出的改进的目标函数学习哈希码,降低了离散优化过程中产生的误差,提高了生成的哈希码质量。然后,本文概述并实现了典型哈希方法,使用改进的CNN-F网络和改进的目标函数来构建深度哈希模型,设计并实现了哈希函数、损失函数及网络传播算法,使用深度哈希模型同时学习图像特征和哈希码,得到较高质量的哈希码。另外,本文提出了基于哈希码权重的图像检索算法,对汉明距离进行二次排序来提高图像检索准确率。最后,在Cifar-10和Nus-wide图像数据集上对本文提出的深度哈希模型和本文实现的典型哈希方法进行图像检索实验,实验结果表明本文提出的深度哈希模型的检索效果要优于传统哈希方法,并且较近期提出的深度哈希方法也具有一定优势。