数据检索是机器学习中重要的研究领域。机器学习算法对数据潜在信息挖掘能力的提升,以及提取的表征对数据相似性可衡量能力的增强,对检索任务而言有着非常重要的研究意义。凭借执行效率高和存储空间低的特点,哈希学习在检索领域中被广泛地研究和应用。哈希学习方法将高维原始空间的数据进行降维处理和编码操作,并映射成短小紧凑的二进制向量。该短小的编码在保持数据间相似性关系的同时,不但提升了检索效率,而且降低了数据存储空间。因此哈希编码在检索任务中有着出色的表现。本文以哈希学习方法为基础,对适用于高效检索任务的数据表征方法进行了研究。本文探索了样本间相似性关系的构建方式以及在编码过程中样本相似性的保持方法。这些研究内容可以总结为以下两方面。（1）本文对无监督哈希学习中数据相似性关系的构建方法进行了研究。本文注意到目前多数算法对样本相似性的描述方式单一,而现实场景往往复杂多变,这使得单一的相似性描述方式在实际应用中存在局限性。为了充分挖掘数据潜在的相似性关系,提升对数据样本间相似性关系的表达能力,本文提出了一种基于二部图的鲁棒紧凑表征（Bipartite Graph based Robust Compact Representation,BGRCR）方法。该方法利用二部图对样本间相似性关系进行挖掘,综合考虑了样本间距离相似性和局部重构相似性,从而获取到可以进行高效检索的鲁棒紧凑的数据表征。本文在三个数据集上的实验证明了该方法的有效性。（2）本文对有监督深度哈希算法中获取数据紧凑表征的方法进行了研究。本文注意到目前多数深度哈希方法只关注编码过程中的语义相似性保持,缺少对数据潜在信息的进一步挖掘以及对编码紧凑性的要求。因此本文提出了一种基于注意力机制的判别表征（Attention based Discriminative Representation,ATDR）方法。该方法使用了中心化损失使各类别数据样本的表征更加紧凑,缩减了同类别样本表征间的差异性。此外,注意力机制在本文深度网络模型中的融合使方法能够进一步发掘数据中的信息,并降低无关特征对检索任务的干扰和提升表征的可区分度,使其更加适用于检索任务。本方法在三个数据集上进行实验验证,与目前先进算法的对比实验证明了算法的有效性。