近年来随着网络的发展人类进入大数据时代,图像数据作为数据领域最重要的信息之一,在种类和数量上都在飞速增加。如何在大规模图像数据中快速、有效地检索出符合实际需求的数据,是图像检索的主要研究方向。基于哈希技术的近似最近邻检索方法是现阶段面向大规模图像数据检索方法中最有效的方法之一,但现有的哈希学习方法也存在很多问题。比如由于正负样本数据的不平衡性,导致训练的模型泛化能力差,使得检索准确性降低;过于侧重损失优化的设计,忽略了图像深层语义特征的表示,导致生成的哈希编码区分能力弱;为了提高检索效率,对不相似图像采取多级索引的方式进行哈希学习,导致生成的哈希编码不均匀,增加了查询过程中候选图像数量。本文为了改进现有哈希检索存在的不足,以提取到图像深层语义特征并生成更加有效、更具区分能力的哈希编码为目标,提出了一种基于高阶统计信息的深度哈希学习模型(Balanceable and Compatible Multi-Index Deep High-order Hashing,BCI-DHH),设计了一种基于深度哈希的图像检索系统。主要研究内容如下:(1)为了获得任务图像数据集,验证图像检索系统对车辆图像的检索效果,设计了基于OV5640摄像头的图像采集装置。将拍摄到的公路行车视频进行处理获得车辆图像,通过图像标注和数据扩充制作成为包含12种车量共44820张图片的MIN-CARS数据集。在数据集上进行模型训练,并用于检索系统,证明了系统对车辆图像检索的有效性。(2)为了增强哈希编码的区分能力,提高检索准确性和时间效率,本文提出了一种基于高阶统计信息的深度哈希模型。首先,采用VGG-16的前14层对输入的图像分别提取基于层内的自相关特征和基于层间的互相关特征,并生成了归一化的高阶统计向量。其次,通过引入权重参数对训练样本中的正负样本数目进行平衡,提出了一种基于数据平衡性的对比损失函数。并在此基础上,对不相似图像对之间对应的多级索引哈希块进行差异化操作,增大了不相似图像与其查询图像之间的汉明距离,优化了多级哈希索引的兼容性。(3)为了验证本文提出的深度哈希模型BCI-DHH在图像检索中的性能以及图像检索系统在实际应用中的有效性,在CIFAR-10、NUS-WIDE和MIN-CARS三个数据集上进行实验。结果表明本文提出的BCI-DHH模型相比于其它哈希模型增强了哈希编码的区分能力,在检索准确性、检索效率和检索效果方面具有良好的性能,同时证明了本文的设计图像检索系统在实际应用中的有效性。