哈希学习能够明显提高大规模图像检索中的检索速度、极大减少存储空间以及通信开销,它已经成为图像检索中的一个研究热点。哈希学习的核心思想是通过学习一个显式(或隐式)的哈希映射将图库中的每一幅图像映射成紧凑的二进制编码序列,使得相似度越高的图像其哈希编码也具有较高的相似度(即少量的二进制位不同),这种哈希编码只需要计算图像之间的汉明距离从而进行相似度快速比较,同时起到了节省存储空间、提升通信效率的作用。在大规模图像检索中,如何快速地从海量的高维图像库中查找到与某幅图像最相似的一幅或多幅图像成为了一个难点问题,因此迫切需要探索新技术使得大规模图像检索具有较小的存储代价、高效的检索效率和较高的准确率。本文把多特征融合、多核学习的机制引入哈希学习中,提出了基于多特征多核哈希和基于多特征谱哈希的图像检索算法,并在理论和实验两方面验证了它们的检索性能。本文具体工作如下:1.首先对比分析了图像检索中哈希学习方法,并提出了基于哈希学习的大规模图像检索框架。从核哈希、深度哈希、流形哈希和稀疏哈希角度分析它们的动机、模型与算法、异同点、优缺点等。然后,根据其共性将它们归为同一类并进行比较分析。最后归纳总结了哈希学习的图像检索流程。2.提出了基于多特征多核哈希学习的大规模图像检索算法(MFMKH)。针对基于核哈希学习的图像检索方法中一种特征对应一个高斯核或两种特征对应一个高斯核,它们忽视了多特征融合的特点和多核学习的优点,无法充分利用不同特征所具有的不同信息以及不同核函数具有不同的学习能力等问题,本文采用多种特征融合的方法不仅能够解决单特征信息量不足问题,还可以发现不同特征之间的内在联系;使用多核学习不仅能够使用核函数解决“维度灾难”问题和线性不可分问题,也能解决多特征融合维度过高的问题。3.提出了基于多特征谱哈希学习的大规模图像检索算法(MFSH)。针对监督方法获取标签信息难、代价高,谱哈希方法特征单一、图像信息量不足、多特征多核哈希方法训练时间长等问题。本文通过构造近邻矩阵的方法解决了标签信息问题;使用局部特征和全局特征的融合解决了图像信息量不足的问题;使用拉普拉斯矩阵特征值分解的方法解决了训练时间长的问题。