数据检索是许多应用的关键。特别是近年来,数据的规模出现爆炸式增长,数据检索需面对海量数据和“维度灾难”的叠加考验,这使得传统最近邻算法的效率不能满足实际的需求,而此时近似最近邻算法开始发挥越来越重要的作用,其中哈希算法以其在存储空间和计算效率上的优势受到国内外越来越多的学者的关注。本文针对图像检索问题,提出了两种哈希学习算法,具体内容如下:本文第一个工作提出了一种基于随机森林的哈希算法。该算法通过构建随机森林,将原始空间的样本映射为海明空间中的二进制哈希码,并尽可能地保持数据在原空间的近邻关系不变。在我们的算法中由于随机森林中不同决策树所使用的特征空间和学习过程是独立的,故我们可以以增量的方式灵活地确定哈希码的长度。此外所提出的基于随机森林的哈希编码算法天然适合并行部署,从而可以大大提高算法速度。在MNIST数据集和CIFAR-10数据集对本文所提算法进行了实验验证,结果表明了算法具有较高的检索精度。本文第二个工作提出了一种基于多对损失函数的深度哈希算法。该算法首先使用ImageNet数据集对网络进行预训练,得到能够学习到强健图像特征的深度模型。然后在此基础上进一步训练哈希编码模型,训练过程中使用多对损失函数。和基于三元组损失的深度哈希算法相比,多对损失函数考虑了更多的负样本,具有收敛快、更稳定的优点。最后使用细粒度检索,在增加很少时间的情况下,进一步提高了算法的检索精度。本算法在MNIST数据集和CIFAR-10数据集上进行了实验验证,实验结果验证了算法的以上优点。