基于内容的图像检索作为信息检索领域重要的研究技术之一,可以在海量的图像数据中检索出所需要的数据,在大数据时代背景下具有重要的作用。社交媒体图像检索作为一个重要的应用场景,在长期的发展过程中,主流的方法都将图像使用单个特征进行表示,其内在的缺陷导致检索形式单一、检索效果欠佳。在实际的检索应用中,人工标签缺乏导致训练不佳、维度灾难导致检索响应慢等问题也会同时出现。在本文中为了解决社交媒体图像检索在实际应用中存在的多个问题,提出了一个解决整体问题的方法,实现一个基于弱监督检测的图像多目标哈希检索方法,通过使用社会弱标签学习图像中各目标的哈希表示,解决了监督式学习对人工标签的依赖问题,还可以有效提高检索效果,丰富检索形式,其主要的工作内容如下:（1）为了有效地利用社会标签中的信息,针对社会标签中所存在的噪声、缺失、表达差异等问题展开了研究,分别提出了对应的优化处理方案,重点引入了Word Net模型根据语义对噪声进行处理,通过融合社会标签之间的关联性和图像视觉特征之间的相似性进行社会标签补全优化,还通过语义聚类解决表达差异的问题,从多方面完成了社会标签的优化工作,改善社会标签质量。（2）针对当前主流社交媒体图像检索方法中将图像使用单一的特征编码表示,导致当进行多目标图像检索时性能不佳和检索形式单一的问题,以及强监督学习对人工标签的依赖问题,提出了基于弱监督检测的图像多目标哈希模型,通过构建一个多任务深度学习的网络架构,使用优化的社会标签,在两个任务分支中分别学习图像目标区域检测和目标哈希表示,每幅图像的特征由一个目标哈希集合表示,可以兼顾图像检索对时间、准确率的要求,并可有效扩充图像检索的形式。（3）在弱监督检测学习以及哈希学习两个任务分支上,都会面临标签的不准确性问题,对此设计了标签加权的损失函数,降低噪声标签对模型训练的干扰,并将两个相关任务结合设置了一个共同的优化损失函数,完成多任务模型的训练。大量的实验对比结果证明,本文中的标签优化方法可以明显的改善社会标签质量,对于检索任务的模型训练提供了良好的基础支撑。在提出的基于弱监督检测的图像多目标哈希模型上,可以有效地获取图像中各目标的哈希特征表示。在多个图像检索的评估指标下,相比当前的主流社交媒体图像检索方法具有明显的优势,并且在实际的检索效果对比下,检索结果更符合实际检索需求。在最后,依托于本文所提出的图像多目标哈希检索方法,结合实际的图像检索需求,设计并实现了一个功能完善的社交媒体图像检索系统,具有较好的使用体验。