随着大数据时代的到来,数据呈现数据规模大,数据模态形式多样等特点,对信息检索领域提出新的挑战。面对海量高维的多模态数据,如何快速准确对不同模态进行检索作为一个热点问题引起了很多研究者的关注。跨模态哈希(cross-modal hashing)方法通过构建模型将不同模态的异构数据映射成为同构的哈希码以解决不同模态之间相互检索的问题。该方法具有低存储开销和快速检索速度等特点,适用于大规模跨模态检索。大量跨模态哈希方法不断涌现,然而它们还存在一些不足:目前所存在的当前大多数方法均是考虑保持基于特征的模态内相似性,对于语义模态间相似性的保持未做处理而被忽视。利用语义监督信息的方法大多将语义标签转换为成对相似性矩阵降低了标签类别属性具有的判别能力。此外,在对哈希码进行优化求解时,大多数方法都是通过直接放松离散约束获得哈希码,这会导致产生较大的量化损失进而使得哈希码的不准确。针对以上所存在的问题,提出了两种新的跨模态哈希算法。针对基于相似性保持的问题,提出了有监督的离散锚图跨模态检索哈希方法(Supervised Discrete Anchor Graph Cross-Modal Retrieval Hashing,SDGCH)。它使用语义类别信息和图方法来学习统一的哈希码。构造图模型时,引入锚点,降低了构建图的拉普拉斯矩阵的复杂度。在锚图方法基础上,同时利用语义标签投影保持了基于语义信息的模态间的相似性。针对哈希码的离散性问题,使用两种方法对其进行优化。一种为使用交替最大化的方法对哈希码按位离散求解,另一种为引入中间变量对哈希码进行直接离散求解。采用这两种离散求解框架提高了检索精度和效率。针对相似性保持和标签判别性问题,提出了标签一致性局部线性嵌入的跨模态哈希算法(Label Consistent Locally Linear Embedding based Cross-modal Hashing,LCLCH)。在将原始数据映射为哈希码的过程中使用局部线性嵌入(Locally Linear Embedding)算法保持原始数据的非线性流形结构,并根据语义标签来构建共同子空间进而通过量化转成汉明空间。因此,它不仅维持了异构模态数据的潜在模态内相关性,而且还保持了标签的一致性。进一步确保哈希码的有效性并减少放松离散约束带来的量化损失,LCLCH结合迭代量化方法直接获得离散的二进制哈希码。在单标签Wiki数据集和多标签MIRFlickr和NUS-WIDE数据集上分别进行了图像文本模态的互检索,通过对比实验验证了方法的可行性。