基于内容的图像检索技术旨在图像数据库中搜索与查询图像相似的图像,在诸如搜索引擎、电子商务、医疗系统等领域应用广泛。随着互联网的发展与数字设备的普及,图像检索数据库规模也迅速增长,导致检索时间效率降低。因此,人们提出了适用于大规模图像检索的近似最近邻搜索算法。哈希技术是近似最近邻搜索中的一类流行算法,其优点有运算速度快、储存空间小、检索效果好。传统的哈希算法将图像的手工特征映射为较短的二进制哈希码,且哈希码可保持原始空间的相似性。但是,手工特征只能反映图像的低层视觉特征,存在较严重的语义鸿沟问题。近年来,能反映图像高层语义的深度特征被运用到图像检索任务中,且取得了很好的效果。因此,人们将深度卷积神经网络与哈希学习整合为统一框架,提出了深度监督哈希技术。该技术减小了语义鸿沟,大幅提高了检索精度。现有的深度哈希技术大体可分为基于度量学习与基于分类的方法,前者通过大量二元、三元组学习样本间的语义关系,收敛困难但精度较高;后者将哈希学习嵌入在深度分类网络内,收敛速度快但精度难以保证。针对基于度量学习、分类两类方法中的一些不足,本文提出了相应的改进方法,以提高训练效率、提升检索精度。本文的主要贡献总结如下:(1)提出了基于度量学习的深度多负例监督哈希算法。现有基于度量学习的深度哈希方法中只保证二元组、三元组内样本的相似性,未能充分利用监督信息,导致检索精度较低、收敛速度较慢。针对该问题,本文引入多负例学习方法,即同时保持查询图像与相似图像(正例)、多个不相似图像(负例)间的语义关系。首先,提出了基于样本复用的多负例元组构建方法,可在一个训练批次内利用较少的样本获得足够的多负例元组。基于多负例元组提出多负例哈希损失函数,以使查询样本与多个负例在训练时能同时交互。因此,该方法在训练过程中能更充分地利用监督信息,提高检索精度与学习效率。此外,在损失函数中加入间隔参数,以进一步扩大不相似本间的汉明距离,提高检索精度。(2)提出了基于分类的深度大间隔监督哈希算法。现有基于分类的深度哈希方法不能很好的控制不相似样本间的汉明距离,因此检索精度较低。本方法基于图像分类的框架与大间隔分类,分别提出了适用于单标签数据与多标签数据的大间隔分类损失函数。该损失函数能增大分类面间隔,使不同类样本哈希码间的距离尽可能大。另外,为了使同类样本间的哈希码间距离尽可能小,加入了中心损失项。因此,该方法能更好地控制图像哈希码的类间距离与类内距离,从而有效提升检索精度。另外,该方法由于采用了分类的框架,因此有较快的收敛速度。本文在多个基准数据集上进行了大量实验,结果表明与其它先进深度监督哈希算法相比,本文所提算法在检索效果、训练效率上具有明显的优势。另外分析了不同深度卷积神经网络、超参数对算法效果的影响,并确定了最优超参数。