织物面料的图像检索是纺织业中的一种重要技术,利用它可以对织物面料的相关产品进行智能化管理。图像检索技术可以通过新样本检索已存在的相似织物样本,从而得到该样本的类别,甚至能直接调用现有的工艺技术来指导当前的生产,这省去了对新采集样本的人工分析环节,对企业的织物生产和管理有着重大的现实意义。随着纺织技术的不断创新和飞速发展,各种织物产品样式层出不穷,面对这些大量且多样的产品,如何能高效检索到相同或者类似的织物样品,是迫切需要解决的问题。针对上述问题,本文研究了利用深度哈希进行织物图像检索的方法。研究中的具体工作如下:（1）针对现有的网络模型很难同时兼顾织物检索速度和精度的问题,本文基于Mobile Net V1提出了一种名为NMV-hash（New Mobile Net V1-hash）的轻量级特征提取模型。该模型通过使用深度可分离卷积降低标准卷积的参数数量,使用hswish激活函数,SE机制模块提升模型性能,利用哈希层减少输出特征的维度数量,并使得图像检索方法能用汉明距离进行特征匹配。在自建的织物图像数据集GJS上进行实验,结果表明,和Res Net,Inception等系列中的神经网络模型相比,本文提出的网络模型特征提取速度更快,输出特征维度更低,特征匹配时速度更快,部分情况下检索精度更高。（2）为进一步提高检索精度,本文研究了基于NMV-DH（New Mobile Net V1-Deep Hash）的织物图像检索方法。该方法首先针对NMV-hash结构中的弊端,使用了一种更加平滑的网络结构NMV-DH。然后为解决织物图像中同类样本特征差距大,异类样本特征差距小的问题,从利用标签信息的方法入手,提出了新的损失函数HL+CL。HL是一种分类损失函数（Hadamard Loss）,该函数通过构建Hadamard矩阵,为相似的输出特征分配了一个共同的中心向量,从而扩大了不同类别的输出特征向量之间的汉明距离,充分利用了标签的类别信息;CL（Cauchy Loss）是一种相似性损失函数,该函数使用柯西分布对概率密度函数进行改进,并利用成对样本之间的相似关系进行哈希编码,最小化了每对相似样本之间的距离,最大化了每对相异样本之间的距离,充分利用了标签的相似性信息。实验结果显示,基于NMVDH+HL+CL的平均检索精度达到了93.2%,和其他一些经典的深度哈希检索方法相比,本文提出的方法具有更高的精度。（3）结合上述研究成果,本文构建了一个织物图像检索系统,以满足面料生产企业的实际需求。该系统能够同时兼顾检索速度和检索精度,具有广阔的应用前景。