移动互联网触角普及和展开,使得媒体图片信息的生产和传播速度迅速扩增。用户从铺天盖地的图片信息中精准获取自己想要的信息愈发困难。对图片信息快速准确的查询,是图像检索技术的主要研究目的,近年来在研究项目和成果上也取得了一定的效果。近年来,伴随着计算机网络技术蓬勃发展,图片信息爆发式增长,图像检索技术也必须推陈出新,满足大数据环境下用户对于图像信息高效检索的需求。通过对传统密码学领域中哈希的研究和探索,感知哈希应运而生,它结合了多媒体认证等多个相关领域,同时实现了感知哈希的内容敏感性以及感知鲁棒性,在图像搜索领域被得到了广泛的应用。大数据环境下,图片信息飞速增长,当前然而,因为大规模环境下图像数据量庞大,而相关感知哈希的探究本身具有独特性和繁琐性,对时效性有更严格的要求,所以大数据规模中图像搜索在鲁棒性、区分性和紧凑性等方向上的要求,使用当前已知感知哈希算法无法满足,无法在相关算法上打成突破,感知哈希技术研究和应用进一步发展便无从展开。所以,探索大数据规模中图像搜索领域的感知哈希算法,具有充分的难度,拥有极高研究价值。首先本文就图像搜索中,感知哈希算法现在已有的不足,基于特征融合探索了新的应用于图像搜索的哈希优化算法,本图像搜索框架分为线下和线上两个部分,首先在线下阶段从两个方向各单独搜索图像的一个特征,然后将相关性最大化后的特征分别进行哈希并连接,在线阶段通过相同方法将图像得到的相关最大特征点映射到二进制码中,最终将其进行检索,通过实验对比,该感知哈希算法满足了相似性保存要求,相较于单特征哈希算法更具优势。随后,提出了一种新的深度线性判别分析哈希(DLDAH)算法,一方面该算法增加了视觉词汇的辨识力,就是使用线性判别分析不但提高了类间差异还降低了类内差异,与此同时通过对机器学习的应用取得小规模数据集上训练的哈希函数,因为对所得图像高效完成哈希,取得高效的哈希码,所以有效提高了在线搜索效率。通过和已有算法进行对比实验,证实了方法是行得通和有效果的,借助我们的探索,本文探求了一种能够快速完成图像搜索使用时面临大数据图像问题的感知哈希方法。同时,展望后续研究,我们仍能继续探索并加以完善,可以在图像特征学习、高效可并行算法等领域继续提高图像搜索框架的检索能力。