随着互联网科技和人工智能的不断迭代,为了符合信息多元化的发展态势,跨模态检索逐渐成为了一个研究热点。因为基于哈希的方法所占用的存储空间小,而且具有较快的检索速度,所以其在跨模态检索中备受关注。本文从有监督哈希和无监督哈希两个角度展开研究:提出了一种有监督跨模态哈希方法,称为基于三重融合的共享语义深度跨模态哈希检索方法（SSTFH）。现有的大多数跨模态哈希方法仅仅在最后映射得到的哈希码施加约束来进行相似性的保持,而很少考虑保持中间特征之间的相似性。此外,经过大量的全连接层和池化层会造成语义信息的丢失。为了解决上述问题,本文设计了一个三重融合的策略,为了减少模态特征在经过全连接层和池化层后语义信息的丢失,利用第一重和第二重融合分别将不同模态的全局抽象特征和局部细节特征进行融合,利用第三重融合将模态局部特征进行融合,并且构建一个共享语义空间,通过该共享语义空间能增加中间模态特征的关联,缩小模态之间的异质鸿沟,有利于学习到高质量的哈希码。在两个标准数据集MS COCO和IAPR TC-12上进行了大量实验,验证了该方法的有效性。提出了一种无监督跨模态哈希方法,称为多尺度融合的双重GAN跨模态哈希检索方法（MFDCH）。现有的无监督工作大都采用一个双流的网络结构分别来学习不同模态的哈希码表示,而在学习的过程中缺少交互。同样,大多数无监督方法也面临特征提取过程中语义信息丢失的问题。基于上面的考虑,首先,本文提出从不同网络层提取不同尺度的语义特征,然后将这些不同尺度的特征进行融合得到语义更加丰富的特征,从而减少语义信息的丢失。其次,本文设计了内外双层生成对抗网络,利用外层网络增加模态之间的关联,学习更加强大的模态特征表示;利用内层网络进一步加强模态特征之间的交互,从而学习高质量的哈希码。在两个广泛使用的MIRFlickr-25K和IAPR TC-12数据集上进行了大量的验证实验,实验表明本模型提高了检索的性能。