信息时代的发展为人们带来极大便利的同时也时刻在产生着海量的数据,这些数据中又以图像和视频数据最为直观。大规模图像数据有利于深度神经网络的训练与学习,但也为图像检索任务提出了更大的挑战。哈希技术凭借快速高效的特点,在保证检索精度的同时可以加快图像检索速度。将深度学习与哈希技术相结合的深度哈希方法能够进一步提升图像检索系统的性能,因而成为了研究热点。本文针对现有深度哈希检索算法中存在的问题进行了分析与研究,提出了改进的深度哈希算法。本文的主要工作和贡献总结如下:（1）针对汉明空间检索任务,本文提出了基于汉明距离度量与类别监督的深度哈希检索算法。通过对图像哈希码进行汉明距离约束,本算法能有效的将相似的哈希码聚集在较小的汉明半径内,从而生成更为集中的哈希码。为了充分利用监督标签,本文将类别信息嵌入到卷积神经网络中,使学习到的哈希码能够保留更多的图像类别信息,从而提升了检索精度。实验结果表明,与现有的哈希方法相比,本算法能够保证在不同码长下检索精度的稳定,提升了汉明空间检索性能。（2）针对基于贝叶斯学习框架的图像检索任务,本文提出了基于类Sigmoid函数的改进深度监督哈希算法。本文提出的类Sigmoid概率函数使得哈希码间的相似度能够用概率值衡量,通过调整概率变化区间,拉近了相似图像哈希码间的汉明距离,提高了对图像哈希码的相似度判别能力,从而使检索精度得到进一步提升。在两个大规模图像数据集上的多项实验结果证明了使用类Sigmoid函数能够提高图像检索性能,从而验证了本算法的有效性。为了使检索结果可视化,本文最后基于该算法模型设计了一款图像检索软件。