伴随着便携移动设备的普及和网络传输技术的成熟,视频数据海量扩增,大规模视频检索技术的必要性和重要性随之日益提高。深度哈希技术由于其占用存储空间小、检索时间开销小的特点成为完成检索任务的一种有效手段。目前视频哈希检索方法大多由图像哈希方法发展而来,它们通常将视频看作连续的图像序列,通过融合视频帧图像特征近似得到视频特征以进行检索任务。事实上,视频不同于图像的一个重要特性是具有时序信息,而且视频内容往往是由少数关键帧决定的。目前深度视频哈希检索方法的局限性有以下三点:（1）完全忽视时序信息,没有充分挖掘视频帧间特征;（2）在生成视频特征时同等看待所有视频帧的重要性,致使生成的视频特征区分性不强;（3）现有的大多视频哈希方法是针对单标签视频的。相比于单标签数据,多标签数据含有的语义信息和语义关联更加复杂,检索难度也更大。单标签检索方法使用的样本相似性定义方法由于不涉及多标签样本的相似性排序问题和标签的语义信息及关联关系,很难准确反映多标签样本之间的真实距离,从而削弱了多标签视频检索的性能。为了解决多标签视频检索中存在的问题,本文创新性地提出一种基于语义嵌入软相似性的多标签视频哈希检索方法。首先,通过一个叠加了双层混合注意力模块的特征提取网络提取视频特征。该特征提取网络的基础架构是卷积神经网络和循环神经网络,双层混合注意力模块由叠加在卷积网络后面的自注意力子模块和叠加在循环神经网络中的相互注意力子模块共同构成,该模块旨在生成视频判别性特征时给不同的视频帧分配不同的权重。其次,针对多标签视频数据集,设计了一种语义嵌入软相似性构建更为准确的相似关系作为训练阶段的监督信息,指导网络学习质量更高的哈希编码。这一部分使用了一个图卷积神经网络学习各标签的语义嵌入词向量及标签间的关联关系,通过语义嵌入词向量扩充各视频样本的标签向量后获得显性相似度、根据标签相互关系选择性使用相关标签的语义嵌入词向量构建隐性相似度,显隐性相似度共同构成的语义嵌入软相似性能够缓解多标签数据集标注不全、部分标签缺失等问题导致的检索精度损耗问题。在多个视频数据集上对比实验结果表明本文的方法在多标签视频哈希检索问题上表现出更好的检索准确度和鲁棒性。