随着大数据时代的到来,互联网图像资源迅猛增长,如何快速正确地从海量的图像数据中检索出用户所需的图像成为亟需解决的一大难题。在大规模图像检索的背景需求下,基于内容的图像检索技术利用图像自身的语义信息,摈弃以往繁杂的人工文本标注,提高了图像检索性能,但在基于内容的图像检索方法中,图像往往由高维的特征矢量表示,而这又带来了大规模图像特征存储量大,索引难等新问题。近年来,在大规模图像检索中引入哈希的检索方法得到了人们的广泛关注与研究。但它由于底层特征表达能力不强,量化特征矢量时产生的误差较大以及将哈希学习方法分为两步骤完成（先特征降维再量化得到哈希码）等问题,导致得到的哈希码区分性不强,陷入了局部最优问题,从而影响了图像检索的准确率。针对上述存在的问题,本文结合深度卷积神经网络VGG16与有监督哈希的优势,提出了基于深度哈希网络的大规模图像检索方法。本文的工作主要包括:（1）提出基于VGG16的深度哈希网络的图像检索方法。该方法采用在ImageNet数据集上预训练过的VGG16网络模型,对其进行微调来提取检索精度高的图像视觉特征。在VGG16网络中,本文设计了哈希层来替换其最后一个全连接层,使得特征矢量与哈希码同时学习并相互反馈促进,以及在该层利用非线性函数Tanh,限制其输出。同时为了确保学习到的哈希码质量,本文利用相似标签对作为模型训练过程中的监督信息对哈希学习过程中产生的误差进行约束,为了平衡训练数据中的相似对和不相似对,设计了保持相似性学习的加权成对交叉熵损失函数。在CIFAR-10和NUS-WIDE数据集上的实验结果显示本方法与其他经典哈希检索方法相比有效地提高了图像检索的平均精度均值。（2）在上一方法的研究基础上,针对汉明空间的r近邻搜索,为进一步提高哈希码在汉明半径小于2时的图像检索任务中的判别性,本文提出使用柯西作为先验函数,引入基于柯西分布的交叉熵损失函数,同时为了降低出现过拟合现象的风险对其添加正则项,从而有效地提高了此时哈希码的判别性。并且引入多索引哈希,利用其建立高效的索引结构,以提升图像检索性能。在CIFAR-10和NUS-WIDE数据集上的实验结果显示本方法与其他经典哈希检索方法相比有效地提高了在汉明半径小于2时图像检索的平均精度均值。