互联网的高速发展给我们带来了海量的数据,同时人们对数据的需求也与日俱增。其中,面向大规模图像数据集的高效检索成为当代社会生活不可或缺的要求,也是当前计算机视觉领域重要的研究方向。同时,伴随深度学习技术的兴起,从大量数据中学习一个复杂的哈希映射来降维并检索数据的思想得以很好地实现。与传统方法的区别在于,它能够从数据中充分学习图像的视觉特征和语义特征进而服务于哈希学习,在编码效果上明显优于人工制定的特征和哈希函数,可以快速的获得简短且精准的二值编码。但是,哈希学习需要大量的数据来训练模型,深度学习的监督哈希算法更是依赖于大量训练数据和其标注。如果训练数据不足,则模型容易过拟合,不能投入实际的使用,而现实中我们对特定的大量的数据进行标注的成本又极高。此外,还存在深度哈希模型训练难度较大,量化误差难以避免等问题。因此,本文提出了两种基于生成对抗网络的图像哈希学习模型,试图利用GAN强大的生成能力辅助哈希学习过程,从一定程度上解决上述问题。本文首先提出了一种两阶段的模型,简称ACGANH。此模型基于经典的监督型生成对抗网络ACGAN来构建。第一阶段预训练一个ACGAN,第二阶段使用预训练的D网络参数来初始化哈希网络的参数以开展哈希任务的迁移学习,同时使用G网络作为数据增强工具完成网络训练。ACGANH可以自动获取标记数据辅助哈希网络训练,并在哈希网络初始化方面作出改进。实验表明,我们的方法大大超越了基线方法取得了较好的性能。此外,我们还对其进行了半监督学习的改进,也取得了一定的效果。本文还提出了一种利用生成和对抗思想设计的端到端哈希模型,简称GGANH。此模型由编码器E,生成器G,判别器D三部分组成,结合精心设计的加权损失函数和渐进式的方案进行训练。在渐进训练的过程中,我们可以逐步得到一个高性能的图像哈希模型,化解了因模型复杂而造成的难以训练的问题。实验表明,GGANH很好地完成了特征提取,哈希编码,图像重构,对抗四个任务的同时学习,实验结果证明了端到端训练的全局优化能力,并使最终的检索性能再次提升。