视频、音频、文本、图像等多媒体数据广泛存在于互联网络和社交媒体。海量的多媒体数据蕴含丰富的社会和经济价值,为社会发展带来机遇的同时也带来了许多挑战。如何对迅猛增长的多媒体数据进行有效的存储、分析和管理,已经成为国内外研究者高度关注的问题。哈希算法是检索领域常用的一种技术,由于其检索速度快、占用存储空间小等优势,得到了广泛的应用。虽然现有基于单一数据类型的检索方法研究比较多且应用广泛,但是在跨模态检索领域仍存在许多问题需要深入研究。现有的一些跨模态哈希方法中损失函数和优化算法紧密耦合导致方法缺乏灵活性,缺乏足够能力去减少不同模态之间的差距。还有一些跨模态哈希方法在学习哈希编码的过程中没有能够很好地保持语义信息,从而导致了较差的检索精度。本文在深入研究集成学习、块搜索算法、近邻图构造和基于分类器的两步哈希方法的基础上,针对现有跨模态哈希方法的不足之处,提出两种新的面向多媒体数据的哈希检索方法:1.针对现有一些跨模态哈希方法中损失函数和优化算法紧密耦合以及缺乏足够能力减少不同模态之间差距的问题,提出一种基于集成学习的跨模态哈希检索方法。该方法主要基于分类器的思想将哈希学习问题转化为二进制分类问题,方法的框架主要分为两个步骤,首先为不同模态的数据生成统一的二进制编码,然后用学到的二进制编码和不同模态的数据分别训练分类器学习哈希函数。另外,该方法采用基于块搜索的算法实现多标签数据的划分,利用集成学习的Adaboost算法训练分类器得到不易过拟合的分类模型和较小的泛化误差。该方法不仅解决了现有方法中损失函数和优化过程耦合的问题,而且缩小了不同模态之间的差距,进一步提升了跨模态检索的精度。2.针对现有一些跨模态哈希方法在学习哈希函数的过程中因为忽略了同一模态内部数据的相似性保持而导致哈希检索的效果较差的问题。本文提出了一种基于近邻图语义保持的跨模态哈希检索方法,在计算模态内部相似性矩阵的过程中,利用近邻选择算法构造近邻图,对模态内相似性关系进行建模。近邻选择算法能够同时保持近邻图的稀疏性和连通性,在保持近邻图关键连接的同时去除一些冗余或者错误的连接。在学习哈希码的过程中,相似性矩阵的稀疏性可以去除样本点之间冗余或者错误的相似性关系,从而保证不同类别样本点之间的距离尽可能远,而连通性保证了同一类别样本点之间的相似性。该方法将哈希编码和数据标签结合以保持不同模态同一类别的数据之间的语义关联,进而得到更好的检索性能。实验结果表明,本文提出的基于集成学习的跨模态哈希检索方法不仅能够解决现有方法中损失函数和优化算法的耦合问题,而且能够在学习哈希码的过程中减少不同模态之间的差距。基于近邻图语义保持的跨模态哈希检索方法在学习哈希码的过程中保持了语义信息,得到了好的检索性能。