在大数据时代,互联网数据存在着数据量大,特征维度高的特点,然而在检索领域,却存在检索速度快,存储空间低的需求。哈希方法作为解决这一问题的主要方法引起了广泛关注。哈希方法通过哈希函数将高维特征映射为低维的二值哈希编码,以此提高检索速度,降低存储空间。近些年,深度学习表现出强大的特征学习能力,结合深度学习的哈希学习方法能够通过神经网络同时进行特征和哈希编码的学习,性能明显优于传统哈希方法。本文重点研究深度哈希技术在图像检索中的应用。深度哈希算法通过神经网络学习数据的特征表达并且将网络输出的连续值特征量化为二值哈希编码。目前深度哈希算法中存在以下2个问题:1)深度哈希编码本质上是二值化的特征,并且编码的长度较短,存在特征表达能力有限的问题。2)哈希学习的目标是离散的哈希编码,深度哈希算法无法直接通过反向传播学习离散哈希编码,通常将离散值松弛为连续值来优化学习,然后将网络输出的连续值特征量化为二值哈希编码,存在量化误差的问题。本文针对以上2个问题,本文从特征和量化两方面展开研究,提出新的提高哈希编码特征表达能力和减少量化误差的方法,主要研究内容如下:1.对国内外主流的深度哈希算法进行了全面调研,详细阐述了算法流程以及涉及的技术,细致对比分析已有算法的优缺点,对目前存在的问题,提出对应的解决方法。2.本文提出一种基于知识蒸馏的深度哈希检索算法。通过将知识蒸馏机制引入到深度哈希算法中,将复杂的,特征学习能力强的教师哈希网络的知识蒸馏出来指导浅层的,特征学习弱的学生哈希网络,以增强学生哈希网络的特征表达能力。3.本文提出一种结合注意力模型和双峰高斯分布的深度哈希检索算法。该算法设计嵌入空间和通道注意力模型的网络结构,关注重要特征并抑制不必要特征,增强哈希编码的特征表达能力;同时为了解决量化误差问题,将均值为（10）1/-1的双峰高斯分布作为先验分布,并借鉴变分自编码机的思想,提出通过KL散度约束哈希编码分布服从先验分布,以减少量化误差。4.最后,通过与其他哈希方法进行实验对比,验证本文算法的有效性。