图像检索作为一项互联网信息处理的重要任务,面临着海量数据带来的挑战。传统的检索方法根据关键字检索,在处理海量图像数据时并不适用,为了解决这个问题,提出了基于内容的图像检索方法。在基于内容的图像检索技术中,图像内容的表达和相似性度量由计算机进行自动的处理,相比较采用文本进行图像检索所面临的缺陷,充分发挥了计算机长于计算的优势,由此大大提高了检索的效率。哈希检索方法是其中的代表性算法,它将图像以二进制码表示,用汉明距离来衡量图像之间的相似度,在算法复杂度和存储空间上有极大的优势。近年来,深度学习被广泛应用于图像处理的任务中,出现了许多基于深度学习的哈希算法,但是大部分深度哈希算法依赖图像标签,而标签的获取代价昂贵,而大部分无监督的哈希算法不能达到理想的性能。本文研究聚类驱动的无监督图像检索方法,聚类驱动的哈希,结合了哈希方法和深度学习的优势,且避免了标注图像数据集的耗费,这种基于深度神经网络的无监督哈希方法有着更广泛的应用前景。基于上述问题,本文主要研究内容以及成果如下:1.本文提出了一个深度嵌入式哈希（UDEH）模型,以通过在深度自编码器的嵌入层软聚类模型递归学习判别性聚类并产生具有高度相似性的二进制码。本章使用聚类的簇作为辅助分布来生成哈希码。通过施加二进制量化约束损失和自动编码器的重构损失,该算法可以通过标准随机梯度下降（SGD）进行联合优化。然后对三个流行的数据集进行了综合实验,证明了该算法的有效性。2.本文还采用了伪三元组的概念,并提出了一种新的方法,即无监督深度三元组哈希（UDTH）,它构造了一个三元组自编码器网络,并以伪三元组作为标签进行训练。在UDTH中,利用KNN计算所有样本的相似度矩阵,并选择K个最相似的图像作为正样本,K个最相似的图像作为负样本。通过这种构造策略,数据集中的所有图像都用于三元组（作为锚点）,并且错误的训练样本也大大减少了。此外,UDTH利用自动编码器将视觉信息保留在哈希码中。3.本文提出了深度无监督自进化哈希（DUSH）算法,由易到难地训练神经网络。该模型最大程度避免了以往无监督哈希方法中参数选择地问题,将无监督的哈希转换为有监督的方式。DUSH实施起来非常简单,而且效率很高。在min-batch选择伪对,这可以大大降低计算复杂度。此外,伪对是在训练过程中产生的,这与训练前产生伪对的传统方法完全不同。