随着近年来信息技术的迅速发展,多媒体数据呈现爆炸式的增长。一方面,数据的总量不断增长,覆盖面越来越广,各行各业均产生相应的数据信息。另一方面,数据的表现形式越来越多样化,例如文本、图像、语音、视频,这些模态之间也呈现出复杂多样的关系。所以,如何有效地对数据进行有效的内容分析,存储和快速检索数据成为了挑战性的课题,受到了越来越多的关注和研究。在数据内容分析方面,深度学习作为一种高效的特征学习方法,不但能够得到更加抽象并且高质量的特征表示,也避免了手动提取特征的费时费力,大大提高了特征提取的效率和质量。所以深度学习自提出以来迅速成为一个研究热点,并广泛应用于机器学习各个领域,图像分类就是其中之一。近年来,很多利用深度学习的图像分类方法被提出,在单标签图像分类任务中也取得了相当不错的效果。但是,现实生活中的图片往往包含丰富的内容,例如不同物体、场景等,并且它们之间的关系复杂多样,单标签分类方法在此时已不能满足人们需求。为了解决这个问题,人们提出许多基于深度学习的多标签图像分类方法,然而这些方法也存在一定的局限性。例如,有的方法直接忽略了图片内容的多样性和复杂性,只是简单粗暴地将整个图片作为输入,然后根据神经网络提取其特征并以此来预测标签;而有的方法认为图片中待识别的物体是独立于其它物体,所以他们首先提取图片中可能包含物体的区域,然后用神经网络提取这些区域的特征,并对每个区域预测相应的标签,最后将标签综合起来就是整个图片的标签。这些方法只是对于待预测的图片进行简单的分析或处理,并没有考虑到隐含在各个标签之间的潜在的语义信息,所以在处理复杂的图像时往往难以达到令人满意的效果。针对这一问题,我们提出了一个有效的深度学习方法,在对多标签图像做分类的问题时,研究标签之间存在的关系--共现依赖关系,并将其很好地运用到图像分类的任务中。具体地,在图像分类的任务中,除了利用经典的神经网络处理图片,得到其初始特征外,我们还对数据集的标签进行处理,从中构建一个标签共现矩阵,然后构造一个新的神经网络处理共现矩阵以捕捉标签之间的共现依赖关系。最后,将这两种信息融合以预测图像的标签。该方法在两个图像数据集上进行了实验,并与当前效果比较好的深度方法进行了对比。良好的实验结果验证了我们方法的有效性。而对于数据的检索和存储来说,需要考虑的是随着数据量的增大和特征维数的增高所带来的庞大计算量的问题。为了解决这个问题,哈希学习方法被提出。哈希方法的主要思想是将原始空间的特征信息映射到低维的海明空间,同时映射后的特征信息能够尽可能保持原始空间中数据的特性,从而在保证检索性能的同时极大地降低了计算的复杂度,提高检索速度和减少了存储消耗。基于这些良好的特性,哈希方法自提出就受到广泛关注和研究,大量的方法被提出,并取得了良好的效果。哈希方法根据检索项和数据集是否在同一个模态中分为单模态哈希方法和多模态哈希方法。相比较于单模态哈希方法只针对单一模态数据之间的检索,多模态哈希方法更能满足当今的需求,例如在网页检索图片,检索视频等等。如今很多多(跨)模态哈希方法被提出并取得了不错的效果,但是仍然存在很多问题需要我们去解决。首先,很多算法在优化过程中没法严格保持离散约束,造成了很大的量化误差;同时,很多方法在学习过程中,哈希码的生成独立于原始数据,这使得算法对噪声不具有很好的鲁棒性,从而在一定程度上也影响了算法的性能。为此,我们提出了一个新的算法--半松弛监督跨模态哈希,该方法在利用相似性矩阵来学习哈希码时,抛弃了以往方法对两个哈希码全部松弛的做法,我们只松弛一个哈希码矩阵。这样,我们能够通过离散优化直接得到哈希码;同时,松弛的那个哈希码与数据的原始特征构成映射关系,从而能够同时学到哈希函数,这也解决了哈希码的生成与原始数据脱离的问题。我们在三个数据集上进行了实验,并对比了最近提出的一些优秀算法,采取了多种评价方式,优秀实验结果证明了我们方法的有效性。