随着互联网和数据存储技术的快速发展,多媒体数据不断涌现,其中图像数据因为能够提供直观丰富的视觉信息,而成为了研究热点。图像检索中涉及到的图像特征提取、相似性匹配、大规模索引等相关技术一直是机器学习、计算机视觉、信息检索等领域的研究重点。哈希技术凭借检索速度快、存储成本小的优点,在多媒体检索中受到了广泛关注。面向图像检索的多视图哈希算法旨在对图像数据提取特征,将特征映射到离散的汉明空间进行快速的近似最近邻检索。现有的多视图哈希算法在考虑融合多个视图特征的基础上,对多视图特征进行了离散二值映射。但是一些多视图哈希算法在数据的相似性保持方面仍存在不足,还有一些多视图哈希算法在数据的离散优化阶段造成了较大的量化误差,或者会导致时间复杂度较高的问题。本文面向图像检索任务,以融合多视图特征,学习紧凑的二进制哈希编码为主要目标,重点研究了监督多视图哈希算法。本文的研究内容和创新如下:（1）提出语义相关最大化的分数阶多视图哈希算法（FMH-SCM）。现有的无监督多视图哈希算法没有利用数据的监督信息,所学习到的哈希编码并不具有较强判别力。FMH-SCM算法一方面考虑了用语义标签去学习多视图哈希编码,以寻求不同视图之间的语义相关性最大化;另一方面还考虑了数据中的噪声干扰,并采用分数阶嵌入思想,通过分数阶建模来减少噪声对数据的负面影响。实验结果验证了 FMH-SCM算法的有效性。（2）提出具有精细语义的离散多视图哈希算法（DMVH-FS）。该算法重新考虑了相似矩阵的构建,对数据进行非线性嵌入之后,通过保持类内和类间的语义相似性来学习样本之间的精细语义,以此构建具有精细语义的相似矩阵。在优化求解时,不松弛离散约束,采用一种新的离散哈希优化方法来减少量化误差。在真实数据集上的实验表明,DMVH-FS算法优于现有哈希算法。（3）提出自适应加权无中间表示的多视图哈希算法（SAWUMH）。该算法直接从标签中学习多视图的哈希编码,而不采用任何中间表示,减少了算法优化过程中所需的变量数量。同时,为了提高哈希编码的判别力,在哈希学习过程中,SAWUMH算法使用语义标签和精细语义相似矩阵作为双重监督,以此提高准确率。此外,SAWUMH算法根据每个视图的贡献程度,采用自适应加权方式,为每个视图分配了合理的权重。实验结果表明,SAWUMH算法具有较好的检索性能。