由于深度网络的强大表示能力,深度哈希已被证明对于大规模图像检索是有效的,可是依然存在问题限制检索性能的提升。一方面,现有的深度哈希方法仅利用单个深度哈希表,为了实现更高的检索召回率和精度,必须使用更长的哈希码,这导致以占用更多空间为代价。为了解决以上的问题,本文首先提出了一种排序敏感的加权多表深度有监督哈希—Weighted Multi-Deep Ranking Supervised Hashing(WMDRH)来证明多表深度哈希的有效性,哈希层嵌入于深度网络中。它采用了多个加权深哈希表,以提高精度/召回率的同时而不会增加空间使用量。另外还提出了基于图像对的排序敏感损失,确保通过对具有(小)大汉明距离的(不相似)相似图像对进行更多惩罚,从而生成有判别能力的哈希码。另一方面,尽管来自不同卷积层的深层特征具有不同级别的特性,但是上述方法(WMDRH)以及大多数现有的深层哈希方法仅从最后一个全连接分类层往前的完全连接层的输出中提取特征向量,主要关注点在语义信息上,而忽略细节的结构信息。这要求对多级哈希进行研究,利用多级功能来利用不同细粒度的CNN特性。为了充分利用CNN的不同层的特性,本文提出利用深度特征的多级有监督哈希——Multi-Level Supervised Hashing with Deep Features(MLSH),利用多层特征来用传统COSDISH哈希方法训练多个哈希表,它使用多重哈希表机制集成由对应的单个深度卷积神经网络提取的多级特征训练而得到的哈希表。该方法验证了利用了来自单个深度网络各个层的多层功能之间的互补性,可以使得哈希码更好地保留高级特征显示图像的语义内容的同时,提供高级特征中缺少的结构信息。可是上述方法是基于特征提取领域的,利用深度特征训练传统的哈希方法,使得哈希训练无法给特征提取提供反馈信息,本文在验证了多层CNN特征是有效的前提下,进一步提出了一种带注意力机制的逐位深度互补监督哈希—Bit-wise Attention Deep Complementary Supervised Hashing(BADCSH)。它提出了一种端到端系统,以增强方式顺序训练多个哈希表,每个哈希表都通过纠正由先前哈希表引起的错误来进行训练。来自不同级别的特征用于训练相应的哈希表。具有高级特征的哈希表旨在揭示图像的语义内容,而具有低级特征的哈希表获取数据的结构信息。此外,将密集注意力块添加到哈希层以不同地对待各种哈希位,这减少了位冗余并最大程度地提高了整体相似性保存。