互联网的高速发展引起了数据的爆炸式增长,使得检索复杂度高,为解决这一难题,基于哈希的图像检索方法将高维数据映射为紧凑的二进制编码,利用检索速度较快的汉明距离做相似性计算。虽然哈希方法在降低内存、提高检索速度等方面表现优异,但是其检索准确率相对较低。为了提高哈希算法的近邻检索准确率,本文将从如何获得较低量化损失和提高排名靠前数据点相似性两个方面展开研究,其主要研究内容和创新成果如下:1.提出了迭代自组织哈希算法,使用乘积量化方法划分特征空间,在每个子空间中使用迭代自组织数据分析方法对子数据集进行聚类,并利用码字索引之间的汉明距离近似其欧氏距离。为解决随机初始化聚类中心引起的局部最优问题,提出最远平均距离方法,通过依次划分样本数多且方差大的类,来确定初始聚类中心点。因分裂阈值和合并阈值需要通过交叉验证获得,引入最小生成树来获取合并阈值,通过计算每类分量中标准差的最大值得到分裂阈值。最后,为解决固定编码长度表示范围有限的问题,构建了多重编码机制,为每个数据分配多重二进制编码。2.提出了顶部优化的序列约束哈希算法,旨在汉明空间中保持数据间的四次序列关系,由于通过比较的方式获得的排序元组复杂度太高,引入张量积来构建数据间的序列关系图。因训练数据集规模较大,使用全部数据点来构建上述序列关系图,其内存占用率太高。为了降低空间复杂度,采用迭代自组织数据分析方法缩小数据集规模,并利用聚类中心点之间的序列关系近似整个数据集的序列关系。为了提高返回结果中排名靠前的数据点的准确率,建立了惩罚机制,对排名靠前的错误排序的惩罚大于排名靠后的惩罚,并根据数据点在欧氏空间和汉明空间中的排序差值,对其给予不同的权重值,排序差值越大,权重值越大,反之,权重值越小。在SIFT、GIST和CIFAR10数据集上设置了近邻检索对比实验,实验结果表明,迭代自组织哈希算法使用迭代自组织数据分析方法划分特征空间,可有效降低量化误差;顶部优化序列哈希设置的惩罚机制可显著提高排序列表顶部数据的相似性。大量实验证明,两种算法均有效提升了近邻检索性能。