随着信息技术的不断发展,大数据的时代已经来临,互联网上的多媒体数据呈爆炸式增长。而多模态是大数据的一个重要特点,为了应对这种大数据的检索问题,跨模态哈希(Cross-ModalHashing)检索问题已经成为计算机视觉研究的一个热点问题。大数据的多模态特点指的是数据具有文本、图像等多种模态,而跨模态哈希的方法通过哈希映射函数将多个模态的异构的数据特征映射成统一的哈希码,实现跨模态检索。这样既能加快检索速度,又可以降低存储空间的消耗。本文研究了多核学习理论在跨模态哈希检索问题中的应用,提出了两种跨模态哈希方法,分别为:基于多核学习的跨模态哈希算法与结合多核学习和图正则化的跨模态哈希算法。在Wiki数据集和NUS-WIDE数据集上与近年提出的一些典型算法进行了比较实验,实验表明了本文所提算法的有效性。本文的主要工作如下:(1)提出基于多核学习的哈希跨模态检索算法。由于检索数据具有异构与不规则、样本规模巨大、样本不平坦分布的特点,采用单一的核函数进行非线性映射难以充分地利用数据信息。因此使用多核学习的方法将数据用多个核函数结合的形式映射到高维空间中,在核空间中采用自适应提升(Adaboost)算法学习多个分类超平面,将多个分类超平面作为哈希映射函数,然后通过符号函数来得到哈希码。(2)提出结合多核学习和图正则化的哈希检索算法。先利用多核学习的方法将数据映射到高维核空间中,在高维空间中采用自适应提升算法学习多个分类超平面。然而这些分类超平面无法保证对数据进行最优的分类,因此利用图正则化对映射得到的哈希码进行微调,并使用支持向量机(SupportVectorMachine,SVM)训练分类器实现对分类超平面的求精。通过对分类超平面的优化,使得到的哈希码实现更高的检索精度。