随着科学技术的飞速发展与广泛应用,各行业的数据呈现井喷式的增长。大数据无处不在,具有规模庞大、形式多样、高维复杂的特点。如何在大数据上做到快速、高效、准确的检索也成为了学术界以及工业界的一大研究热点。与此同时,维度诅咒、存储成本过大以及查询时间过慢也正成为大数据检索中不得不面对的难题。近年来,哈希算法作为一种高效的检索手段而受到了广泛的关注。它将原始高维数据映射成低维汉明空间上简短的二进制串,能够显著减少存储成本、提高检索速度。在对现有的哈希算法的深入研究的基础上,本文发现:目前,大多数有监督哈希算法仅仅考虑数据的单一标签。实际上,标签形式多变,结构复杂。面向层次标签结构和多标签结构形式的哈希算法尚未广泛关注。而这些结构中潜在的丰富语义信息能够有效提高哈希码的准确性。为了将层次标签中的结构性相似信息引入哈希算法,本文首先提出了一种融合层次标签结构性相似信息的深度哈希算法。本算法首先构建出层次结构树表征数据之间不同的内在语义相似关系,然后结合卷积神经网络设计端到端的训练模型,定义了保持哈希码平衡性和保留相似性的目标函数。实验结果证明,本算法提高了哈希码的准确性,实验表现远远高于经典的哈希算法。其次,本文提出一种结合保序特征的多标签结构性相似哈希算法。该算法面向多标签数据设计,首先根据标签构建无向图刻画数据之间不同程度的语义相似关系,然后通过卷积神经网络提取数据的保序特征,有效减少了信息损失。最后,最大化似然函数的同时最优化哈希码,可在汉明空间有效保存原始数据的局部序关系。在多个数据集上的大量实验表明,本算法有效地保存了原始数据的局部序关系,在图像检索任务上得到了更为准确的查询结果序列。