随着信息时代的到来,作为信息的主要载体,图像的数据量也在不断地增长。因此,在大规模图像数据中利用图像检索技术快速检索出相似的图像信息成为了研究的热点方向。传统图像检索技术分为基于文本和基于图片内容的图像检索技术两种。但是它们存在标注人工主观性以及高数据维度问题,会导致存储及计算资源过大。为了更好地减少存储空间以及提高检索速度,在图片特征处理上采用哈希编码成为现在的主流。基于哈希的图像处理方法包含特征提取、数据降维、投影映射以及数据量化等几个主要的步骤。为了进一步优化基于哈希的图像处理方法,本文主要研究在原始数据转化成对应的二值哈希编码过程中如何提高图像检索效率,并提出了两个提升图像整体检索效果的算法模型AGHFL（Anchor Graph Hashing with Feature Learning）与AGHJS（Anchor Graph Hashing with Jointly Sparse）。针对原始数据集的图拉普拉斯矩阵计算复杂度较高从而增加计算时间的问题,第一个算法模型中提出用线性组合后的锚点来表示数据点的方法来提高计算效率,同时我们将降维、正交旋转以及特征学习放在迭代操作中,提升了检索效率。第二个算法模型在训练映射方程的迭代操作过程中,引入联合稀疏矩阵,使得检索效率得到了进一步提升。为了验证两个算法的有效性,我们分别将所提出的两个算法与LSH、SH、AGH、PCA-ITQ、SP和LGHSR这六个常用的图像检索方法进行比较。第一个模型AGHFL（Anchor Graph Hashing with Feature Learning）在CIFAR-10和fashionMnist两个公开数据集上,MAP和F1数值都是最高的,在fashionMnist数据集上,AGHFL的F1比六个常见算法的F1平均值提高了12%,与LSH相比F1提升最大,最大值为31%。在第二个实验中,我们把AGHJS加入到测试算法中并同时在三个数据集（CIFAR-10、fashionMnist和SUN397）上进行了比对。数据显示在AGHFL的基础上,AGHJS性能在三个数据集上都获得进一步提升。此外,在fashionMnist数据集上,AGHJS的F1数值比六个常见算法的F1平均值提高了13%,与LSH相比F1提升达到最大值32%。这些数据证明了两个模型的有效性。