近年来,随着移动互联网的飞速发展,每个人都可以在适合的地点、适合的时间使用网络发布信息、传递信息和接受信息。这些信息通常包含了各种数据,例如,文字、语音、图片、视频等等。正是这些急速增长的数据,使得检索的应用需求越来越多。由于数据量太大,研究人员不得不考虑检索的速度和需要花费的存储空间大小。传统的方法在这种大规模数据集上效率低下,且耗费巨大的存储空间,增加了检索的成本。随着研究的深入,学者们提出了深度哈希模型,才使得检索速度大大加快,数据特征所需存储空间也大大缩小。所以,本文立足于当下研究热点,充分研究了深度哈希算法和使用该算法应用于跨模态检索。在研究深度哈希算法的过程中,我们发现图像的旋转对于深度哈希模型提取特征有一定的影响。使用旋转过的图像来作为深度哈希模型的输入,提取的二进制哈希码特征发生了改变,这种改变会导致检索精度减低。因此本文致力于研究具有旋转不变性的深度哈希模型来改变这一现状。本文的主要工作如下,我们深入研究了深度哈希算法。我们发现图像的旋转不变性的特性对图像特征提取有一定的益处。所谓旋转不变性是当图像旋转一定的角度,仍然不会影响检索的结果。因此,我们增加了一个旋转不变性的损失函数并将它应用于图像模态特征提取的深度神经网络中来约束旋转后的图像特征和原图像特征的差异,从而最低限度降低了旋转的影响。在图像预处理阶段,我们将图像按照-10、-5、0、5、10度角做了旋转。这样做的好处就是充分利用图像信息,既可以使图像特征对于旋转和局部的噪声点保持不变性,又可以增强网络的鲁棒性。最终,我们将这种具有旋转不变性的深度哈希模型应用于跨模态检索,并且利用该模型提取图像和文本的特征。最后获得较好的效果,根据实验结果,可以看到,提高了检索的准确率。