基于哈希的大规模图像搜索技术近年来得到了广泛的应用,大量的集中式算法已被提出并且取得了很好的性能,特别是基于深度学习的哈希算法极大提高了搜索精度。然而在实际应用中,数据规模越来越大,数据以分布式的方式分散在不同位置,将所有数据集中到一个计算中心进行训练,将导致过高的传输和计算开销。因此,需要提出新的分布式哈希搜索算法,分散在不同位置的样本独立训练,通过有限的参数传递实现集中训练的效果。交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)是适用于可分离凸优化问题的简单有效方法,在机器学习、数据挖掘和计算机视觉等领域中得到了广泛应用,特别适合解决分布式搜索问题。本文研究了基于ADMM的分布式哈希搜索算法,目标函数包括两部分:采用矢量量化策略,通过最小化数据的量化误差训练编码矩阵;同时通过优化分类误差以提高哈希码的语义特征。在分布式环境下,采用ADMM算法求解上述目标函数,通过一致性约束将问题分解成一系列子问题,并在独立计算节点上进行分布式求解。在节点间进行参数传递以得到优化的全局参数,在此基础上得到全局最优的编码矩阵以实现分布式哈希搜索。在CIFAR-10和NUS-WIDE数据集上的实验结果证明了该方法的优越性。在此基础上,本文进一步研究了分布式深度哈希算法,在卷积神经网络架构的特征层和输出层之间加入隐层,在优化分类损失的基础上增加二进制限制条件以生成二进制哈希码。具体分布式优化过程包括:首先,每个计算节点的网络参数进行预训练,对所有节点应用ADMM算法,通过一致性约束优化得到全局最优的分类器,然后,利用全局最优分类器,更新隐层参数并生成哈希码,最后,采用反向传播算法优化网络的特征层参数,完成分布式训练过程。在CIFAR-10数据集上的实验结果显示了该算法的有效性。