随着互联网的快速发展,在过去的几十年内包括Facebook和Flickr在内的许多网站经历了图片的爆炸性增长。因而,业界对于能够在大规模图像数据库中有效搜索相关图像的算法的需求越来越迫切。给定一个数据集,哈希方法可以将数据从原本的特征空间映射到一个二进制哈希编码空间同时保持成对数据点的相似性。由于哈希方法可以在很大程度上提高检索速度,同时降低存储需求,因此近年来受到了广泛的关注。包括变分推理在内的贝叶斯概率方法已经被广泛应用于众多的机器学习问题中,但是还未被用于解决哈希这一问题上。本文将贝叶斯推理中的平均场变分思想和现有的监督哈希方法相结合,提出了两种新的算法来解决监督哈希问题。本文的贡献主要包括:1.大多数已有的监督哈希目标函数是一个误差函数与一个正则项之和,所以可以看作是对于哈希编码的最大后验估计。因而,这些方法如果超参数设置不当则容易陷入过拟合。为了解决这一问题,本文基于连续随机变量进行建模,利用贝叶斯方法来自动优化哈希编码和超参数,从而解决了监督哈希问题。此外,本文利用自动相关性确定来判别区分能力最强的哈希比特位。2.由于哈希编码的学习是NP难的,许多方法使用了松弛技术,但该技术可能会导致这些方法的性能下降。幸运的是,大多数监督哈希的优化目标可以看作是能量函数,所以学习哈希编码可以看作是在对应的条件随机场中学习边缘概率密度。基于对离散随机变量进行建模,本文提出了一种简单有效的监督哈希算法,该算法利用贝叶斯方法通过对sigmoid函数进行分片线性近似来学习条件随机场的边缘概率。3.本文在四个真实图片数据集上进行了充分的实验。实验结果表明这两种方法的性能超过了当前最好的监督哈希算法,同时在训练时间上也有所改进。