随着智能手机的普及,人们每天上传到社交媒体上的图片数量与日俱增。为了使用户能够便利地检索图片,一些描述图片的语义标签带来了极大的便利。面对海量的图片,手动标注是不可能完成的。因此如何能以低存储开销同时高效率检索的方式标注图片受到了广泛的关注。本文基于哈希学习的方法来解决图片标注领域的图片标签补全和图片标签预测两个问题。在图片标签补全任务中,每张图片只标注了少量的正例标签。对于标注数据中正例标签和非标注标签数量失衡的问题,我们提出了基于软约束的离散协同哈希模型。在真实数据上的实验结果表明,我们提出的方法取得了比已有方法更好的效果。在图片标签预测任务中,首先利用基于软约束的离散协同哈希模型学得图片和标签的哈希编码,之后在学习图片从高维原始空间到二值离散空间的投影时,鉴于单向投影会损失较多信息,我们采用基于自编码器的双向投影方式。将哈希编码重构回原始特征的损失项加入到目标中,可以减少投影过程中的信息损失。我们在真实数据集上验证了采用基于自编码器的投影方式性能提升显著。在图片标签预测任务中,考虑到不仅图片和标签的哈希编码要保持与标注矩阵的一致性,而且相似图片的哈希编码在海明空间内的距离应该相近。因此,我们引入深度网络来辅助图片与标签间一致性以及图片间相似性的学习,并在真实数据集上验证了模型加入图片相似性信息后性能有明显的提升。