近年来,随着互联网的发展和多媒体设备的普及,不同种类搜索引擎和社交媒体应运而生,人们越来越倾向于用不同模态的数据表示同一事物,人们对于进行模态间搜索的现实需求越来越大,跨模态检索方法研究成为人们急需面对的重要议题和热门研究课题。该方法旨在通过计算不同模态数据之间的相似度,为给定的某种模态的查询数据,检索出与其内容相关的其他模态的数据。由于低存储成本和快速的查询速度等优点,跨模态哈希检索方法能够有效地解决数据量过大的现实问题,满足快速地返回检索结果的用户要求,在跨模态检索领域受到越来越多研究人员的关注。具体而言,跨模态哈希检索方法旨在将底层特征异构、高层语义相关的跨模态数据从高维的原始数据空间映射到低维度的公共汉明空间中,使用二进制的离散哈希码（如1和-1）进行表示。但是,由于不同模态数据的底层特征表示异构,如何解决这种“模态鸿沟”问题,即使得跨模态数据在原始空间中的特征分布一致性和相似性关系在汉明空间中得到更好地保持,成为我们在设计和实现跨模态哈希检索方法面临的核心挑战。由于很好地利用了数据的类别标签监督跨模态哈希的映射过程,更好地保持了数据的原始特征,提升了跨模态哈希检索的性能,有监督跨模态哈希检索方法受到越来越多信息检索领域研究学者的关注,产生了大量经典的跨模态哈希方法。然而,现有的有监督跨模态哈希检索方法在处理数据的类别标签时,往往忽略数据的标签内部存在的潜在语义关联,简单地根据数据之间是否共享至少一个标签来定义它们的相似性。事实上,在许多现实应用场景中,如时尚电商领域,为了帮助用户更好地进行单品浏览和查找,时尚单品往往都会由一组不同粒度的类别标签所标记,并在预先建立好的层次结构中被组织起来。显然,针对不同粒度的类别标签,时尚单品之间的相似性关系也是不同的。有些时尚单品间即使不具有相同的细粒度标签,但有可能具有相同的粗粒度标签,使得它们之间也具有一定程度的相似性。因此,为了更好地从数据的类别标签中挖掘出数据在原始空间中复杂的语义关联和相似性关系,实现更好的监督效果,进而得到优异的跨模态哈希检索性能,本文提出了基于层次标签的有监督跨模态哈希检索方法（Supervised Hierarchical Cross-Modal Hashing,简写为 HiCHNet）。具体而言,本文的主要工作有:（1）本文首次尝试使用层次类别标签解决跨模态哈希检索问题,设计了基于层次标签的哈希表示学习模块和多分类判别模块,保持了数据在原始空间中的相似性关系,同时增强了所学哈希码的判别性。（2）本文设计了一个基于层次类别标签的端到端的双路径网络,并将正则化跨模态哈希学习模块和层次判别性学习模块联合起来,通过设置最大化似然函数,结合层次类别标签监督跨模态数据哈希码的学习过程。（3）为了解决具有层次类别标签的跨模态检索数据集缺乏的问题,我们对现有的用于研究服装兼容性建模问题的公开数据集FashionVC进行了整理。同时,我们从时尚购物网站Ssense上爬取了图片、文本以及其对应的标签数据,构建了新的满足本工作要求的数据集。最后,我们在这两个具有层次类别标签的数据集上进行了大量实验,并进行了大量的定性和定量分析,实验结果证明了本文所提方法比现有的经典跨模态哈希检索方法具有更好的检索性能,证明了层次标签的有效性。