随着信息技术的发展以及网络社交平台的普及,互联网上出现了海量的图像数据,对这些图像数据的快速检索是互联网相关产业的核心任务之一。哈希学习是图像快速检索的重要方法,因其良好的性能,近年来引起了研究者的广泛关注。基于哈希学习的图像检索方法通过将图像数据映射为具有固定长度的离散二进制码,可以实现高效率、低存储的图像近似近邻检索。但是,随着图像采集设备软硬件技术的发展,海量的图像数据在满足用户需求的同时,也产生了大量的复杂场景图像（包含难以区分的背景或多个实体）。与一般图像相比,复杂场景图像对基于哈希学习的检索方法提出了更高的要求。针对复杂场景图像,在哈希学习的研究中主要有两种解决思路:（1）构造更有效的特征提取器,提取出包含更多图像信息的特征用于生成二进制的哈希码,以提高哈希码对复杂场景图像的表征能力;（2）设计更有效的目标函数,以指导哈希码向更优的分布方向优化,来增强哈希码对复杂场景图像的判别能力。基于以上两种思路,本文分别提出了基于细节感知的复杂场景图像深度哈希学习方法和基于困难样本挖掘的复杂场景图像深度哈希学习方法。（1）在特征提取器构造方面,要提取更多的图像信息,就需要对图像的细节信息进行更为深入的挖掘。现有的图像深度哈希学习方法多是直接为整幅图像生成哈希码,但这很容易造成对图像的局部细节信息的忽视,从而降低了复杂场景图像的哈希码的表征能力。为此,本文提出了基于细节感知的复杂场景图像深度哈希学习方法,以现有的深度网络模型作为基网络来构造新的网络模型,使网络能够为图像的局部区域生成近似哈希码的表示,然后再将它们融合成全局的哈希表示。在此基础上,该方法还使用同一图像的相互重叠的局部区域作为相似样本对,这样一方面可以缓解基于成对样本的哈希学习方法中固有的类别不平衡的问题,另一方面可以优化哈希码的分布。在三个公开的数据集上进行的详尽实验验证了该方法的有效性。（2）在目标函数设计方面,更优的哈希码分布可以使得复杂场景图像在哈希码分布中更易于区分,这需要设计新的目标函数来提高对复杂场景图像的关注度,进而来优化哈希码分布。为此,本文通过在训练过程中降低简单图像的权重,并给予复杂场景图像更高的权重,以提升哈希学习方法对复杂场景图像的检索能力,这一需求与困难样本挖掘（Hard Sample Mining）的思想有相似之处。因此,本文提出了基于困难样本挖掘的复杂场景图像深度哈希学习方法,引入困难样本挖掘函数,并在这基础上结合哈希检索任务的特点（即正负样本的实际相似度与检索时认定的相似度不一致）进行适应性的改进,以更符合哈希检索任务的需求。在三个公开的数据集上的实验结果验证了该方法的优越性。