大数据已经成为国家重要的战略资源之一,存储、加工、检索和分析等是大数据处理的重要环节。近似最近邻检索是解决大数据检索问题的重要思路,而哈希学习是解决大数据检索和分析问题的代表性方法,近年来得到研究者的广泛关注。利用哈希学习进行大数据检索,可以大幅度降低数据的存储和计算开销,在大数据检索和分析应用中具有独特的优势。虽然近年来哈希学习的研究取得了卓有成效的进展,但仍存在一些不足和值得进一步深入研究的问题:1)现有的哈希学习方法大多从整幅图像的语义信息中学习哈希码,忽略了图像不同区域对于哈希码的影响;2)已有的研究大多采用预定义的相似性矩阵学习哈希码,但这种相似性矩阵无法准确体现样本相似性的差异;3)现有的工作忽略了复杂场景中困难样本的挖掘,没有关注不同样本的学习难度差异;4)常见的哈希码量化方法大多为每个维度赋予相同长度的哈希码,无法区分各个维度特征的信息量差异。为解决上述问题,本文利用权重信息挖掘的思想对哈希学习方法进行了较为深入的研究,分别从样本空间重要性权重信息挖掘、样本相似性矩阵权重信息挖掘、困难样本权重信息挖掘和哈希码不同维度加权分配四个角度提出了五种哈希学习方法。具体内容如下:（1）针对现有哈希学习方法忽略图像不同区域重要性差异的问题,本文提出了基于加权空间重要性的深度哈希学习方法。该方法首先利用空间注意力模型来学习原始图像中不同空间区域的重要性,然后根据它们的重要性为这些空间区域分配不同的权重,并基于加权的空间信息学习哈希码,提升了深度哈希学习方法的性能。（2）针对零样本哈希学习方法中特殊监督信息难获取的问题,本文提出了基于非对称比率相似性矩阵的零样本哈希学习方法。该方法在样本相似度计算中使用非对称比率相似性矩阵（相似性矩阵权重信息挖掘,即相似样本对的正权值与不相似样本对的负权值不相等）来探索监督信息对哈希学习的影响,并只需要计算可见类之间的语义相似性即可进行哈希学习,无需特殊监督信息,在一定程度上缓解了零样本哈希学习对特殊监督信息的依赖性。（3）针对现有哈希学习方法对监督信息利用不充分的问题,本文进一步提出了基于自适应相似性矩阵的监督哈希学习方法。该方法不仅可以自适应地学习相似性矩阵（自适应挖掘相似性矩阵权重信息）和哈希码,还能够通过保持特征和标签空间之间的一致性来提取标签相关性,进而有效提升哈希学习检索性能。（4）针对现有哈希学习方法对困难样本的挖掘和使用不充分的问题,本文提出了基于自适应相似性矩阵的深度圆哈希学习方法。在处理复杂场景的检索问题时,能够为困难样本赋予更多的学习权重,并在损失函数设计中,引入自适应相似性矩阵、哈希相似度、区间加权以及哈希检索任务的特点,提升了哈希学习方法在复杂场景下的检索精度。（5）针对现有哈希量化方法无法自适应分配哈希码长的问题,本文提出了可变长哈希量化方法。该方法为图像投影后的每个维度优化分配不同权重比特以获得最小分散度,从而有效改进哈希量化步的性能。所提出的五种方法引入了权重信息挖掘思想用以侧重区分重要信息,实验结果表明充分利用权重信息挖掘思想是提升哈希学习方法性能的有效手段。