随着互联网络的快速发展,视觉大数据高通量计算以及海量多媒体内容监控与过滤等实际应用的日益迫切,传统的视觉大数据分析系统的时间复杂度和空间复杂度正面临严重的挑战。其中,紧致化视觉表征与计算是视觉大数据中的核心问题之一,也是计算机视觉、机器学习、数据挖掘等领域的研究热点之一。围绕这一核心问题,本论文将面向大规模视觉搜索与高通量多媒体计算等应用的紧迫需求,展开了关于紧凑性特征的理论研究和技术攻关,尤其是针对基于二值表示的紧凑特征表示学习的研究。然而,紧凑特征获取的过程通常伴随信息的丢失,以及现存的紧凑特征表示模型通常存在许多缺陷和问题,包括特征编码的序列信息缺失、无法准确捕捉多媒体数据的关联性、多模态数据存在缺失、特殊流形结构特征处理复杂,等等。从不同的检索任务出发,本论文针对上述问题进行了大量的调研与研究,重点研究和讨论紧凑特征模型在三个信息检索任务中的应用,包括大规模近似最近邻搜索任务、多模态数据检索任务以及图像集合处理任务。我们抽象出三个层层递进的核心科学问题,并且创新性地提出了对应的解决方案。首先,面向传统大规模数据检索任务,我们首次将序列嵌入问题引入紧凑特征表示学习,将问题拆解为序列信息构建、序列信息删减、序列信息保留以及离散优化等子问题,逐步对每个子问题进行详细且深入的探索。其次,在面向多模态数据检索任务上,我们着重关注多模态数据关联性的度量、多模态缺失数据的补齐、以及紧凑特征学习等模块,实现多模态数据搜索,以满足于当下多媒体大数据搜索的需求。最后,在面向图像集合处理任务上,我们以黎曼网络为基础,充分挖掘与分析现有几何网络模型存在的问题,将几何网络与紧凑特征学习结合,提出了一种高效的深度黎曼网络模型。具体而言,本论文将展开以下五个主要工作:1)提出一种基于序列嵌入的哈希算法,目标是学习具有保留特征序列信息的二值紧凑特征。算法先后提出序列嵌入、序列图嵌入、序列锚图嵌入等由繁至简的排序信息表示与高效紧凑特征建模方法,并且设计了一种简单的优化策略。2)提出一种基于序列约束的哈希算法。该算法以序列嵌入模型为基础,关注高阶的四元序列约束关系,提出了张量序列图模型和序列约束投影算法,实现了大规模序列关系建模与信息删减,并且设计了一种针对正交约束的优化算法。3)提出一种基于近邻集合相似度的哈希算法,方案提出了一种基于近邻集合相似性度量方法,实现了更好的多模态数据之间的关系表示,并且结合非对称图模型和离散优化算法实现多模态数据的二值紧凑特征学习。4)提出了一种基于密集链接网络的哈希算法,旨在解决模态数据缺失这一现实中广泛存在的问题。方法由基于密集链接的自编码器和变分哈希学习两个模块组成,分别实现缺失模态特征补齐和二值紧凑特征学习。5)提出了一种基于矩阵摘要的网络模型,其核心目标是实现基于视觉特征集合的分类和检索。以最新的深度黎曼网络为基础,提出了矩阵摘要网络结构,在充分考虑数据分布和多样性的条件下,算法实现高效且准确的基于黎曼流形特征的紧凑表示与分类。综上所述,本文针对大规模视觉搜索与高通量多媒体计算等任务上开展了一系列的研究与创新,提出了一系列的紧凑特征表示方法。大量实验结果和理论分析表明,本文提出的五种方法都可以提升对应检索任务的性能。