哈希学习（又称二进制码编码学习）将高维数据点编码为二进制码,从而有效地利用汉明空间逼近原始的高维度量空间,实现大规模多媒体数据快速检索。实际应用中,通常要求搜索引擎对在线图像流数据进行索引,在线哈希算法应运而生。因此,研究对在线流数据进行哈希编码的在线哈希算法,提高图像检索模型的学习效率和准确率,具有十分重要的科研和工程意义。但到目前为止,在线哈希仍然是一个开放的问题,主要挑战在于很难在模型准确率和学习效率之间做出权衡。首先,现有的在线哈希方法往往依赖强约束来设计鲁棒哈希函数,如正交性和相似度保持等,但在优化过程中需要松弛,导致训练效率下降。其次,现有的在线哈希方法缺少全局和局部双重语义信息保留,这必然导致准确率低下。本文致力于提高在线哈希模型的检索准确率,同时保证学习效率,以提高图像检索的高效性。主要工作如下:（1）提出了一种具备判别性的平衡相似性在线哈希算法（Discriminative Similarity-Balanced Online Hashing,DSBOH）。它将原始空间中新到的与已到的样本之间的相似性保留在哈希空间,利用离线生成的哈达玛矩阵构成码本,将全局分布和平衡相似性结合起来产生用于在线图像检索的判别哈希码。首先构建离线哈达玛矩阵,利用局部敏感哈希算法生成相应码长的码本,指导多输入样本的哈希码生成;其次,利用哈希码内积,在生成的汉明空间中在线保留数据的平衡相似性;最后,利用交替迭代法求解,给出离散最优解。在CIFAR-10、MNIST和Places205三个标准图像数据集上进行大量实验,结果表明DSBOH与几种先进的算法相比,提高了大规模在线图像检索的精度,同时缩短训练时间,有利于实现大规模图像快速检索。（2）提出了一种基于流形结构的双重语义在线哈希算法（Manifold structure-based Double Semantic Online Hashing,MDSOH）。由于现有的在线哈希算法大量依赖数据的成对相似性这一约束条件,而忽视了对数据局部流形结构的挖掘。因此MDSOH致力于保留全局和局部流形双重语义信息,旨在减少信息损失,保留更多的邻域信息,提高检索精度。首先利用新到达的数据与以往数据的成对相似性,构造全局相似性矩阵约束哈希码,使码字保留全局数据特征;同时,为了保留原始数据的局部特征,对于每一次数据流,利用聚类得到的锚点,构造数据样本与锚点之间的锚点图,以近似原始空间的局部结构,保留低维流形特征。在CIFAR-10、MNIST、Places205等三个基准数据集上的大量实验表明,与几种现有的先进的在线哈希方法相比,提出的算法有效提高了图像检索效率。