随着信息飞速增长时代的到来,人们对于信息检索的需求也在不断增加。其中,作为机器学习方法的重要领域之一,哈希学习成为了用于信息检索的典型方法。如今网络上存储的数据存在多样性,传统的哈希方法研究范围局限于同种数据之间的检索,因此跨模态数据之间的检索逐渐受到关注。跨模态数据检索,因不同模态数据的数据分布不同,所以直接对数据训练哈希函数,会使得生成哈希编码无法充分保留有代表性的原始语义信息。而且,跨模态检索的另一个难题是对于不同数据分布的数据,其数据之间的相似度无法直接衡量,因此需要尝试将不同模态的数据投影到共同的语义子空间中,在共同语义子空间进行数据相似度的衡量。现有的跨模态检索的研究大都采用深度哈希的方法,结合标签数据的相似度对共同语义子空间进行训练,从而挖掘跨模态数据的相似度语义信息,最后把数据映射成哈希编码进行检索。然而大部分的方法忽略了相同模态内的相似度与跨模态数据的相似度之间的联系,从而导致训练得到的共同语义子空间无法保留有代表性的原始语义信息。于此同时,原始数据之间的相似度是基于真值距离,而哈希编码的相似度关系是基于汉明距离,在哈希编码的学习过程就需要削减真值距离与汉明距离之间的误差。因此,本文提出了基于跨模态检索的深度有监督相似度融合哈希方法（Deep Supervised Fused Similarity Hashing）。其中包含了相似度融合的方法,将不同模态数据的内在相似度与标签相似度进行有效融合,深入挖掘不同模态数据模态内相似度之间的关联,得到更具判别性的原始语义信息;由于不同模态数据的分布不同,所以数据在映射到相同的二进制哈希编码时会出现不同程度的误差,因此本文方法包含了改进的最大化间距量化机制,通过对不同模态数据调整不同的量化误差参数,有效削减哈希编码学习过程产生的真值距离与汉明距离之间的误差。