随着信息技术的快速发展与普及,急剧增长的图像、文本、音频、视频等来源广泛、形式多样的异构多模态数据充斥在互联网的各个角落。数量庞大的多模态数据中蕴含着丰富的社会价值与潜在的经济价值。如何在海量数据中进行准确的交叉检索逐渐成为社会各界关注的问题。然而由于多模态数据之间存在的异构差异性以及语义鸿沟等问题使得设计高效的交叉模态检索算法较为困难。鉴于基于哈希的算法具备的占用存储空间少、计算效率高等优势。近年来越来越多的学者使用基于哈希的算法解决交叉模态检索问题。现有基于哈希的交叉模态检索算法一般是将多模态数据映射到统一的潜在空间中,然后通过哈希函数对潜在特征进行量化得到哈希码。这些算法存在许多有待改进的地方。首先标签对特征表示与样本鉴别信息的学习有着重要作用,然而很多算法只是利用标签信息学习统一的哈希码,没能注意到标签信息对提高哈希函数的质量也有很大的帮助;再者,针对原始数据变换前后的特征损失问题,许多算法采用协同矩阵分解加以低秩约束等方式实现,类似的方式可能会导致大量的特征损失;除此之外,许多算法将特征提取过程与哈希函数学习过程彼此独立出来,这种形式学习到的哈希函数不能很好地保持原始数据的特征;最后,现存大多数交叉模态检索算法未充分考虑模态内以及模态间的相似性保留等问题,这将导致此类算法无法充分保持原始数据的局部特征。本文在深入学习协同矩阵分解、子空间学习、残差保持、邻域图构建的基础上,提出局部保持哈希交叉模态检索算法和和相似度保持哈希交叉检索算法。主要研究内容与贡献整理如下:在局部保持哈希交叉模态检索算法中,通过将相似性残差保持结合样本的局部相似性结构引入到特征变换过程中,很好的保持了原始数据在变换前后的特征一致性。此外算法也对原始数据变换之后的特征空间进行约束,进而更好的保持原始样本局部结构特征,提升哈希码的鉴别性。最后算法将哈希函数学习过程与特征提取过程相结合以提升哈希函数学习的质量。针对原始数据变换过程的特征损失以及学习高质量的哈希函数等问题,在局部保持交叉模态检索的基础上,进一步提出相似度保持哈希交叉检索算法。该算法在最小化特征变换前后残差值并结合原始数据的局部特征结构的同时,通过增加三重图约束结构保持原始数据模态内部以及模态间的相似性。针对标签信息,利用线性回归学习统一哈希码的同时将标签信息应用到哈希函数与局部特征学习上,以提升哈希码的相似性保留能力并增强哈希函数的适应性。在实验中,将本文提出的两种交叉检索算法应用到该领域被广泛使用的三个基准数据集上,并与最新;提出的相关交叉检索哈希算法进行实验对比与分析。结果表明,相比现有的交叉模态检索哈希算法,本文提出的局部保持交叉模态哈希与相似度保持哈希极大地提高了检索精度,表现出良好的检索性能。