随着互联网技术和移动终端的快速发展,多模态数据呈现出了爆炸式的增长趋势。如何准确且高效地检索这些多模态数据,以满足用户日益复杂的多模态检索需求,变成了一个重要挑战。无监督哈希技术具有良好的扩展性、低存储空间和高检索效率,它可以有效地用来支持大规模多模态数据的检索。现有的面向多模态数据的无监督哈希方法主要包括无监督跨模态哈希和无监督多模态哈希两种。无监督多模态哈希利用多模态数据之间的互补性信息,将它们融合为统一的哈希码来更综合地表示每一个多媒体对象;无监督跨模态哈希通过学习一些哈希函数来将某一模态的数据映射为紧凑的哈希码,从而在数据库中检索出与之语义相似的其他模态数据。虽然面向多模态数据的无监督哈希学习方法取得了一定的进展,但它们仍存在一些亟待解决的重要问题:（1）现有的无监督多模态哈希方法都是采用矩阵分解的方式来学习哈希码,在聚合异构多模态特征方面的能力有限。另外,它们通过构造图的方式来建模语义相关性,这引入了较大的计算和空间开销。（2）现有无监督跨模态哈希方法在建模和保留多模态内在语义时,忽略了本体语义和关联语义之间的联系,简单地将它们单独地保留到最终的哈希码中。另外,这些方法在学习哈希函数时没有把已经挖掘到的多模态语义保留到哈希函数中,降低了哈希函数的泛化性。本文提出了以下两个无监督哈希方法来分别解决这些问题:（1）本文提出一个高效的多模态离散张量分解哈希方法。具体地,该方法首先利用非线性映射来捕获每个模态特征中的非线性语义结构,再将它们堆叠为一个三维张量,然后利用Tucker2分解将它们分解为一个核张量和两个因子矩阵。与此同时,该方法通过将训练数据的非线性特征映射为它们对应的哈希码来学得一个哈希函数,实现对未知实例的大规模在线检索。为了减小模型的量化损失和计算代价,本文提出一个快速离散优化策略来直接生成离散的哈希码,减小了模型的量化损失。本文在三个常用的数据集上进行了大量的性能对比实验和消融实验,从不同角度验证了提出方法的优越性。（2）本文提出一个关联-本体重构跨模态哈希方法。具体地,该方法首先构造一个多模态协同图来有效地建模异构多模态数据之间的邻接关系,并且通过利用提出的关联语义重构和本体语义重构策略,分别将多模态内在语义保留到哈希码中。此外,该方法提出一个跨模态语义聚合模块来探索一个共享空间,通过增强异构模态之间的信息交互和挖掘它们之间的互补性信息,来生成判别性的特征表示。最后,与现有的方法不同的是,该方法提出一个关联-本体语义一致性哈希函数学习策略来将建模到的多模态内在语义保留到每个模态的深度哈希函数网络中。本文在三个常用的数据集上进行了大量的性能对比实验和消融实验,从不同角度验证了提出方法的优越性。