近年来,随着网络技术的提升及多媒体数据的爆炸性增长,这使得我们在现实生活中要面对的数据量越发庞大。同时,我们目前的需求不再满足于单一模态数据的相似性检索,而是多模态数据间的相互检索,即跨模态检索。而哈希技术的出现大大降低了检索时间与存储成本,因此在近年来也引起了广泛的关注与应用。经过多年的研究,跨模态哈希技术尽管有了不小的进展,但仍然存在着一些问题需要解决。例如大多数有监督哈希方法仅仅将标签信息转换为实例间的成对相似性来指导哈希码的学习,这会导致语义信息的丢失从而使哈希码无法保留标签所反映的区分信息。而一些方法单一使用了标签的类别信息,对标签信息的进一步转换利用还有待提高。针对现有的问题,本文在哈希学习相关工作的基础上进一步探索了标签的语义信息,从而提出了两种语义相似性保持的有监督跨模态哈希方法。本文的主要研究内容与贡献总结如下:（1）为了充分利用标签的信息,本文提出了标签松弛回归跨模态哈希（LRRCH）。该方法通过语义相似度矩阵保留了实例间的成对相似性,同时应用标签的类别信息生成哈希码。在嵌入标签的类别信息过程中,LRRCH通过将标签矩阵松弛为标签松弛变量矩阵,使标签由定值变为区间从而扩大不同类别之间的边距;然后通过标签松弛回归使哈希码能更好地保留标签的类别信息,同时这也为哈希码拟合标签提供更大的自由度与优化空间,从而使学习到的哈希码能具备更高的语义相似性和类别判别力;最后,在哈希码的学习过程,引入正交与均衡约束以生成更高质量的哈希码。（2）在LRRCH的基础上,针对其不能在大规模数据集上使用的问题,本文进一步提出了可扩展的标签松弛回归跨模态哈希（SLRRCH）。该方法在保留LRRCH中标签松弛回归项的同时,将不同模态异构数据之间的相关性和差异性通过相应标签之间的余弦值来近似,并使哈希码的内积近似于从标签中导出的相似性,由此将获得的语义信息嵌入到哈希码的学习过程中。此外,为了使学习到的哈希码能更好地保持与标签的语义一致性,SLRRCH还通过正交旋转矩阵提供的一组正交基将语义子空间进行谱旋转从而近似汉明空间,而语义子空间能更精确地度量实例的语义相关性,因此所学的哈希码能嵌入更多的语义信息以提高模型的检索性能。最后,SLRRCH的优化算法通过对标签矩阵展开运算,并巧妙地操作矩阵运算过程,从而避免了n×n成对相似性矩阵的显式使用,这使其可以扩展到大规模数据集。（3）本文提出的两种方法在Label Me、MIR-Flickr及NUS-WIDE三个公开数据集上进行了大量的实验比较,实验结果表明本文方法均优于近期数个效果不错且稳定的跨模态哈希方法,从而验证了本文方法的有效性。