近年来,随着信息技术的发展,多媒体数据内容呈现出数据量大,数据结构复杂,数据维度高的特点。如何对多媒体数据,尤其是图像数据进行有效的检索成为了当下热门的研究内容,目前常用的图像检索方法包括基于树的方法和基于编码的方法。其中,基于编码的图像检索方法包括哈希方法和量化方法。由于基于编码的图像检索方法具有内存消耗低和检索速度快等特点,受到了广泛关注。哈希方法是将原始高维数据投影到汉明空间的二进制码,提高距离计算的效率。量化方法是将原始高维数据投影为有限数量的码字,降低相似性度量的复杂度。随着深度学习的发展,更多的学者开始将有监督深度学习方法应用到基于编码的图像检索方法中。基于深度监督编码的图像检索方法通过优化设计的损失函数,将原始图像投影到度量空间,极大地提高了检索性能。然而,已有的基于深度监督编码的图像检索方法仍然存在许多问题有待进一步研究。1)如何有效避免深度模型收敛慢和特征局部信息丢失。深度监督哈希编码方法通常利用饱和函数生成二进制码,容易出现梯度消失,导致模型收敛慢,并且由于深度监督模型中的下采样操作,导致特征丢失局部信息,限制了检索性能的提升;2)如何均衡码字的表征能力,避免码字冗余。深度监督量化编码方法的码字的数量设置依赖人工经验,容易出现少量码字量化了大量特征的情况,产生了冗余码字,影响了检索性能;3)如何有效提高码字的判别能力并且避免量化边界退化。深度监督量化编码方法没有充分考虑最大化码字之间的距离,导致码字判别能力下降。又由于码字初始化是随机的,且码字学习过程中缺乏语义信息的有效监督,导致部分码字的量化范围过小,量化边界出现退化现象。本论文以大规模图像检索为背景,针对上述问题对基于深度监督编码的图像检索方法展开了深入的研究,取得的主要成果如下:（1）针对基于深度哈希编码的图像检索方法存在深度模型收敛较慢和特征局部信息丢失的问题,本文提出了基于金字塔连接的深度损失驱动多尺度哈希编码方法。本方法设计了金字塔连接的CNN结构,使得损失函数的梯度直接传递到每一个卷积层,加快模型的收敛速度。同时,该结构能够聚合不同尺度的卷积层特征,生成有效补偿高层卷积特征信息丢失的损失驱动多尺度特征。为了在二进制码中嵌入更多的语义信息,提出了一种保持语义信息的损失函数,提高了二进制码的表征能力。在四个基准数据集上大量的实验结果表明了,本方法能够有效提高检索性能,也证明了损失驱动多尺度特征的优越性以及金字塔连接的可扩展性和有效性。（2）针对基于深度量化编码的图像检索方法存在码字表征能力不均衡的问题,本文提出了基于熵优化的深度加权乘积量化编码方法,将原始样本分解为码字和权重,利用码字的线性加权和来编码样本。同时,建立了语义信息与加权码字之间的线性关系,有效地保持了码字的语义信息。为了均衡码字的表征能力,避免图像特征被表征能力差的冗余码字量化,利用最优传输理论得到图像特征最优编码概率分布,并将编码概率分布的熵最大化,实现了图像特征的最优分配。在三个基准数据集上的实验结果表明本方法可以有效均衡码字的表征能力,证明了加权码字可以显著提高检索性能。（3）针对基于深度量化编码的图像检索方法存在码字判别能力不足和量化边界退化的问题,本文提出了基于双距离优化的深度量化编码方法,推导出码字之间最小余弦距离的上界,最小化样本与码字之间欧氏距离的同时最大化码字之间的最小余弦距离,极大地提高了码字的判别能力。为了解决在量化过程中的量化边界退化的问题,设计了一种尺度约束的语义保持损失,将特征和码字之间的内积转换为类别概率分布。通过最小化类概率分布和标签之间的交叉熵,使得一个码字只能量化一个类别的特征,并将原始特征空间投影到均匀分布的球形码本中。在三个基准数据集上大量的实验结果表明本方法有效提高了码字的判别能力,同时避免了量化边界的退化。