遥感图像在遥感场景分类和场景驱动的目标检测等方面有着广泛的应用。近年来,随着遥感技术的快速发展,遥感影像数据集的容量迅速扩大。在一个非常大的遥感数据集中,很难快速有效地找到一个包含特定内容的图像。因此,基于内容的有效检索已经成为遥感图像检索中的一个重要课题。哈希作为一种图像检索方法,在图像检索中得到了广泛的应用。本文研究了一系列基于深度哈希算法的遥感图像检索新算法。首先,本文设计实现了一种基于卷积神经网络（Convolutional Neural Networks,CNNs）的遥感图像深度监督哈希模型。提出的方法提高了遥感图像检索算法的精度。本文采用CNNs进行遥感图像的特征提取与哈希码生成。由于CNNs在特征提取方面有着优越的表现,提出的方法能够很好的提取遥感图像的特征。在遥感数据集上的实验结果验证了提出方法的有效性。其次,针对深度网络训练时遥感数据集中存在数据不平衡的问题,本文提出了基于不同权重的凝聚力增强遥感哈希算法。深度哈希模型训练时通常成对输入图像,这就导致相似图像对远远小于不相似图像对。这种现象称为数据不平衡问题。本文将权重系数引入到深度哈希训练过程中,增大相似遥感图像对的权重,减小不相似遥感图像对的权重。提出的方法能够将相似图像的哈希码很好的凝聚在一起。同时,为了减少哈希码的量化损失,本文将类符号函数激活函数引入到深度哈希方法中。提出的方法的有效性在遥感数据集的检索实验中得以验证,大幅度提升了检索精度。最后,面对深度哈希无法应用到遥感数据在轨检索的困难,本文提出了基于量化神经网络的深度哈希检索算法,减少了深度哈希网络的存储空间以及运算时间。本文所采用的量化神经网络将网络权重量化为1比特,将激活输出量化为2比特。相比较于全精度神经网络,低比特表达的量化神经网络减少了存储空间。同时,由于权重与激活输出都为低比特表达,复杂的卷积操作转变为简单的加减操作,大大减小了计算时间。本文提出的方法与多种全精度网络相比,不仅减小了存储空间和提升了检索速度,其检索精度也要优于现有的深度哈希检索方法。在多个遥感数据集的实验中,验证了本文提出的方法的有效性与高效性。综上,本文提出了三种深度遥感哈希算法。三种方法均基于不同的深度神经网络进行遥感图像哈希检索。本文提出的三种方法在提升遥感图像哈希检索精度以及效率方面有着显著的提升效果。