近年来,由于互联网数据的爆炸式增长和多样化特点,跨模态检索成为了一个研究热点。跨模态检索就是利用一种模态类型的数据检索另一种模态类型的数据,可以帮助人们快速有效的利用不同媒体数据。哈希学习方法具有存储成本低、查询速度快的优点,利用哈希学习方法进行跨模态检索可以在一定程度上提高检索性能。然而,目前利用哈希学习进行跨模态检索的方法存在两个问题:一是现有的跨模态哈希方法只学习了数据的全局特征,全局特征表达了数据粗粒度层次上的信息,而局部特征则可以反映数据细粒度层次上的信息,因此现有的方法无法全面利用数据的多层次特征信息;二是现有的跨模态哈希方法在处理多标签数据时把多标签看成同一层次,然而多标签之间一般存在着从粗粒度到细粒度的层次关系,因此这些方法无法有效地利用多标签的层次结构信息。本文利用数据的层次信息进行哈希学习,提出两种层次化深度跨模态哈希检索方法来解决当前方法存在的两个问题。具体来说,本文的主要工作为:1.针对现有方法无法利用数据的多层次特征问题,提出了一种基于层次化特征的跨模态哈希方法。数据的全局特征和局部特征从不同的层次描述了数据的多粒度信息,而现有的单层次特征方法无法利用数据的这种层次化特征信息。本文提出的基于层次化特征的跨模态哈希方法利用深度网络同时提取每种模态粗粒度层次的全局特征和细粒度层次的局部特征,并将这两种层次的特征融合为层次化特征,最后把包含了不同粒度信息的层次化特征映射到哈希码中。此方法将数据的粗粒度层特征和细粒度层特征同时保留到哈希码中,使得哈希码保留了全面的层次化特征信息,有助于提高跨模态哈希检索精度。2.针对现有方法无法合理利用标签的层次信息问题,提出了一种基于层次语义结构保留的跨模态哈希方法,此方法进一步利用层次标签的监督信息来进行跨模态哈希学习。目前多数有监督的跨模态哈希方法是为非层次标签数据设计的单层次类别方法,无法有效地利用标签的层次结构。本文提出的基于层次语义结构保留的跨模态哈希方法为每层标签学习一组类哈希码,并利用层次标签将其扩展为层次语义结构,然后在层次标签和层次语义结构的联合监督下学习哈希码,最后通过线性回归的方式将从深度网络中提取的不同模态的语义特征分别映射到汉明空间中。此方法学习到的哈希码保留了层次语义结构中的层次信息和层次标签中的类别信息,从而可以促进跨模态检索任务。