随着卫星观测技术的提升,遥感图像在数量、类型等方面呈现出大幅度的增长。这促进了遥感图像分析处理等相关技术的蓬勃发展,同时也带来了更具挑战性的问题:由于遥感图像普遍具有种类多、数量大、像素高的特征,所以遥感图像检索需要消耗更长的检索时间和更大的内存空间。高消耗的缺点驱使越来越多的研究者开始在大规模遥感图像检索上使用哈希技术。哈希技术使用较短的二进制哈希码,利用汉明距离进行检索,所以能够大大加快检索速度并减少占用的存储空间。传统的哈希方法需要先手动提取特征,之后进一步进行哈希映射,这样做会损失一部分检索的精度,因此近年来研究者们开始尝试使用深度哈希方法,通过直接获取哈希特征来优化检索效果、提升检索精度。现有的深度哈希技术可以通过样本筛选、度量学习、挖掘语义标签信息等技术来进一步提升检索效果。针对目前深度哈希方法中存在的低长度哈希码精度低,以及不能很好的保持哈希码在汉明空间的分布等问题,本文提出了几种不同角度下的改进精度和速度的方法。主要工作内容包括:1.设计了基于概率难采样的度量学习损失函数,用于实现高效的深度哈希检索。现有的采样方式有随机采样、难采样和半难采样三种,这些方法只考虑了采样样本与基准样本之间的距离大小,而没有从更为全局的角度考虑样本本身的分布特征,从而导致取样不均匀、网络收敛速度慢、训练效果差。针对这些问题本文提出概率难采样方法,根据样本特征的整体分布情况进行概率计算,并在概率分布的基础上进行难采样操作,使得采集到的训练样本在整体上分布更加均匀,网络训练效果更好。同时,为了解决现有损失函数正负样本区分度太小的问题,提出了阈值损失函数和高效的量化损失函数。实验证明使用概率难采样方式采集样本训练的网络收敛更快同时也更稳定,同时阈值损失函数对样本的区分也更明显,检索精度也更高。2.提出基于代理损失的深度哈希检索方法。现有的基于样本对的损失函数为了能够更好地学习到样本的整体空间分布特征,在计算损失时构造的元组越来越大,这种方式虽然能够优化网络训练效果,大样本加剧了训练时间消耗。一种较好的解决方法为采用基于代理的损失,代理损失为每个类别的样本设置代理,并通过代理与代理之间的关系表示样本的整体分布特征,代理的使用能够减少训练时间并且提高检索精度。本文在代理损失的基础上为正负样本设置最优值,在损失函数的设计中以不同的优化梯度为设计准则,即使距离最优值远的样本反向传播梯度增大,使距离最优值近的样本反向传播梯度减小,同时为正负样本设置不同的优化阈值,从而更有效的更新网络参数以完成高效检索操作。本文的实验结果表明了精细化的调节优化速度和方向能够使得代理损失的优化效果更好。3.提出了基于分类语义标签的深度哈希算法。度量学习方法能够控制同类样本的哈希码间汉明距离小而不同类别样本的哈希码间汉明距离大。这种方式能够充分利用图像内容信息进而学习到嵌入空间中辨别能力强的哈希码并完成高效的检索,然而它不能进一步满足在遥感检索的同时实现分类的分析和处理需求。而且这种方式对于图像本身语义标签信息的利用并不充分,因此本文在基于图像视觉内容信息的图像检索的基础上充分利用了图像本身的语义标签信息,并利用标签信息构造了新的哈希码结构,这样做可以提高检索精度而不会带来额外的空间和时间消耗。考虑到现有的度量损失不能充分的学习到分类语义标签,因此本文设计了结合度量损失和分类交叉熵损失的目标函数。通过在遥感数据集上的充分训练得到了高效准确的检索结果。