基于哈希的搜索技术广泛应用于大规模图像检索。目前,大部分的哈希技术基于人工提取的特征,并不能准确地保存图像之间的语义相似性信息,难以满足大规模数据检索精度要求。近年来,卷积神经网络与深度学习技术发展迅速,通过复杂的网络结构,能够从海量数据中提取出更加抽象的特征,在计算机视觉和语音分析领域取得巨大的成功。由于分子结构式图像的特征区分度的独特性,传统的特征提取技术面临很大挑战,本文提出将深度卷积神经网络应用于生物分子结构式图像特征提取,生成一种新型的分子指纹,以预测G蛋白偶联受体(G Protein-Coupled Receptors,GPCR)相关配体分子与人类常见疾病的分类。在此基础上,本文提出一种基于配对标记的深度哈希技术,并结合有监督的哈希技术生成语义一致性的二进制编码,以支持大规模数据检索。在公开的生物数据集上的实验结果表明,相对于现有哈希算法,本文算法在检索的准确度方面有了较大的提高。