随着移动互联网技术的飞速发展,当今的图像、文本、视频等数据呈现指数级增长。在大规模的图像数据中,如何高速、有效的检索出用户需求信息成为图像检索领域研究的主要问题。近似最近邻搜索技术与海量图像快速搜索技术息息相关,其中的哈希方法得到广泛关注。近年来,与深度学习相结合的深度哈希方法,通过训练深度网络学习哈希函数,将图像的像素信息转换为二值编码,较传统哈希方法可获得显著性能提升,成为该方向研究的热点。论文在现有哈希方法基础上,进一步开展了基于深度哈希的图像检索研究,并提出了三种深度哈希学习方法。（1）提出了一种基于深度特征的卷积列采样有监督哈希方法。在传统有监督哈希方法研究中,列采样离散有监督哈希方法采用手工设计特征学习图像的二进制编码。由于卷积神经网络提取图像的深度特征优于手工特征,提出的方法使用图像的深度特征进行列采样离散有监督哈希编码学习。在检索中,提出的方法与传统哈希编码方法相比有最佳的表现;在掌纹识别应用中,取得了比经典方法更好的识别精度。（2）提出了一种二阶池化深度有监督哈希方法。现有深度哈希网络中采用卷积层特征表示图像,而深度网络中的二阶统计量表示在图像分类表现出良好的性能。在深度二阶池化（DeepO₂P）模型的基础上,提出的方法将O₂P二阶统计量表示嵌入在深度哈希网络中,构造二阶统计深度哈希网络架构,进行二阶统计信息和哈希编码同时学习。在常用的哈希学习数据集上实验结果验证了提出的二阶统深度哈希在图像检索中比仅使用卷积特征深度哈希方法有出色的检索性能。（3）提出了一种多层卷积特征聚合方式的高阶统计深度哈希方法。采用跨层卷积特征的互相关及同层卷积的自相关聚合两种方式获得二阶信息。在哈希编码和二阶统计信息以端对端方式优化时,采用逐点学习和成对学习两种不同方式。在CIFAR-10和MNIST数据集上评估提出的高阶统计深度哈希方法。实验结果表明,高阶统计深度哈希比仅使用一阶统计信息的方法有效,并且也优于几种有监督的深度哈希方法。