近似近邻检索在科研和实践中都扮演着重要的角色。然而,随着互联网和日常生活中多媒体数据的爆发式增长,针对给定的查询样本,在可接受的时间和存储消耗下从如此大规模的数据集中检索其确切的最近邻逐渐变得难以实现。因此,研究者们开始转向近似近邻检索的思想,试图在检索精度和效率之间寻求一个平衡,基于哈希技术的检索方法也因其快速的检索速度和较低的存储消耗而受到了越来越多的关注。经过一段时间的发展,现在利用语义标签等监督信息来更好地获得数据样本之间相似关系的监督哈希方法逐渐成为了当下基于哈希的检索方法研究的主流。尽管现有的监督哈希检索方法已经取得了良好的效果,但是依然有着许多有价值的问题有待进一步研究。首先,监督哈希方法的关键是如何充分发挥监督信息的作用来学习更好的哈希码和哈希函数,但是目前这一问题依然是没有完美答案的开放问题。此外,随着深度学习技术的发展,也有许多方法尝试设计基于深度网络的监督哈希方法,但是,除了像普通方法那样利用监督信息来构建学习目标之外还能以何种方式发挥监督信息的作用,以及如何有效的结合深度神经网络和哈希检索方法进而能够在充分发挥深度特征提取网络的优势的同时尽可能利用现有哈希方法设计经验,依然是有待进一步研究的问题。最后,一项技术的关键仍然在于应用,如何有效应用监督哈希的思想解决更加困难但也更加重要的实际问题,也是研究者需要重点考虑的问题。基于以上讨论,本文针对面向大规模媒体检索的监督哈希方法展开了深入研究,并且尝试将哈希检索技术应用于更加困难也更有价值的实际任务,即细粒度数据检索。具体来说,本文的主要工作包括:（1）本文提出了一种简单且有效的策略来实现深度特征提取网络和现有传统非深度哈希方法的融合,并在此基础上设计了一种新的策略来发挥监督信息的作用,即哈希编码重构。本文提出了双深度神经网络跨模态哈希方法,其中包含三个训练阶段和两个作为哈希函数的深度网络。具体来说,该方法首先选择一种现存的单模态哈希方法来为一个数据模态（比如文本）生成初始二进制编码;然后,这些生成的哈希码被用作监督信息来训练作为另一个模态（比如图像）哈希函数的深度网络;最后,利用训练得到网络获取对应模态的哈希码,将这些哈希码根据特定的重构过程进行重构,然后作为监督信息来训练作为文本模态哈希函数的网络。该方法可以被视作一种能够将任意单模态哈希方法扩展为深度跨模态哈希方法的框架,同时该方法的效果还将会随着所选择的单模态方法的效果提升而提升。（2）本文优化了以哈希码和哈希函数分开训练为特点的传统两步哈希学习策略,并提出了一种新的方法来充分利用监督信息。本文设计了一种新的两步跨模态哈希方法,即类别关系及语义相似保持的两步哈希方法。该方法首先直接根据语义标签学习哈希码,同时尝试发掘和利用不同标签类别之间的相关性信息;然后在第二步中,不同于其他两步方法只关注哈希码学习而忽视哈希函数训练,该方法改进并集成了前一段所述方法中的哈希编码重构过程的思想,尝试在哈希函数的学习过程同样引入语义关系信息。到目前为止,该方法是第一个尝试利用标签类别相关性的哈希方法,也是第一个尝试在两步中都引入监督信息的两步哈希方法。（3）在综合上述研究的基础上,本文进一步尝试解决一个更加困难但也更具实用价值的问题,即细粒度哈希,并结合细粒度数据的特点提出了有监督的特征优化思想。细粒度哈希方法应用于细粒度数据集的检索任务,在这类数据集中数据样本之间的差异往往非常细微。细粒度哈希是哈希检索领域的一个新问题,目前仅有非常少的相关工作。本文首先总结了三个细粒度哈希方法需要关注的要点:细粒度特征提取、特征优化以及损失函数设计,然后提出了双重过滤细粒度哈希方法。该方法采用基于代理的损失函数和特别设计的特征提取网络,同时继承了前述方法的两步学习策略。该方法的核心即为双重过滤机制,其主要包含两部分,分别是用于提取更高质量细粒度特征的空间过滤模块和用于进一步优化特征的特征过滤模块。该方法高效且有效的同时也非常易于实现,从这个角度来说,本文的研究充分证明了监督哈希方法在细粒度检索这一新领域的潜力。