随着互联网信息科技技术的快速发展,日益增多的高维的图像数据对计算机的处理要求也越来越苛刻,从而给图像检索、分类、对象检测等相关视觉工作带来了巨大挑战。为了应对上述难题,很多学者针对图像数据的快速近邻检索展开了研究工作。传统线性查找方法以及基于树形结构的检索方法在处理低维数据时具有很好的性能,但面对高维数据时准确率急速下降并且检索时间增多,难以应对“维度灾难”带来的诸多问题。基于哈希学习的图像检索方法应运而生,哈希学习用更紧凑的二进制码来表示图像特征,从而提升了检索的准确率和内存的使用效率,而且缩短了检索响应时间,因而它能够更好的适应海量图像数据的检索。本文围绕基于哈希学习的图像检索展开了深入研究。针对迭代量化哈希算法未考虑高维图像描述符中呈现出的自然矩阵结构,当视觉描述符由高维特征向量表示并且分配长二进制码时,投影矩阵需要昂贵的空间和时间复杂度的问题,提出一种基于双线性迭代量化的哈希图像检索方法。该方法使用紧凑的双线性投影而不是单个大型投影矩阵将高维数据映射到两个较小的投影矩阵中;然后使用迭代量化的方法最小化量化误差并生成有效的哈希码。在多个公开的图像数据集上进行了对比实验。实现了与主流的8种哈希方法相媲美的性能,同时具有更快的线性扫描时间和更小的内存占用量。结果表明,该方法可以减轻数据的高维性带来的影响,从而提高ITQ的性能,在一定程度上弥补了现有方法在构造图像哈希算法中对哈希编码时高额内存和时间消耗研究的不足。目前的哈希算法中二值哈希编码信息含量有限,难以保证检索精度,从特征层面看,不同的特征可能被映射成相同的哈希码,单纯使用汉明距离度量图像间的相似性不够准确。针对上述问题,提出了一种基于自适应哈希学习的图像检索方法,该方法为查询图像的不同码位自适应地分配不同的权值,整合了现存的基于内容的哈希图像检索算法与自适应特性,结合了前者的简单高效与后者的准确性好,避免了所有码位权值相同对汉明距离的影响,提高了检索性能。在多个公开的图像检索数据库上与目前一些主流的图像哈希算法进行比较,本文所提出的自适应哈希学习图像检索方法在图像检索精度方面均取得了一定的提高。