在大数据时代，图像检索技术在大规模数据上的应用研究是一个热门的领域。近年来，大规模图像检索系统中，由于具备提高图像的检索效率同时减少储存空间的优点，图像哈希算法受到广泛的关注。通过哈希算法对图像生成哈希编码的质量，直接影响到基于最近邻搜索的图像检索系统的性能。在用于图像检索的哈希算法中，基于数据的有监督学习哈希算法能够通过对图像训练数据中的相似性信息进行学习，从而得到相应的哈希函数，并通过哈希函数对整个图像数据集有效地进行图像哈希编码。但是，现有的有监督学习哈希算法存在一些问题，主流的有监督的哈希算法需要通过图像特征提取器获取人为构造的图像特征表示，这种做法带来的图像特征损失影响了哈希算法的效果，也不能较好地处理图像数据集中语义的相似性问题。随着深度学习在大规模数据上研究的兴起，一些相关工作尝试通过深度神经网络进行有监督的哈希函数学习，带来了哈希函数效果上的提升，但这类方法需要针对数据集人为设计复杂的深度神经网络，增大了哈希函数设计的难度，而且深度神经网络的训练需要较多的数据和较长的时间，这些问题影响了基于深度学习的哈希算法在大规模数据集上的应用。针对这些问题，本文提出了一种基于深度卷积神经网络的快速图像哈希算法，算法通过设计优化问题的求解方法以及使用预训练的大规模深度神经网络，提高了哈希算法的效果，同时明显地缩短了复杂神经网络的训练时间。根据在不同图像数据集上的实验结果分析，本文提出的算法在哈希函数训练效果和训练时间上，与现有的基准算法对比都具有较大的提高。