伴随互联网的飞速发展和多媒体技术的广泛应用,网络中图像的数据量越来越大,如何在大量的图像数据中准确并快速的查询到用户想要的图片是图像检索任务的关键问题。近年来,哈希算法作为一种代表性的最近邻检索技术,已成为当前图像检索任务的主要方法。传统的哈希方法通常使用手工图像特征学习哈希码,手工特征表达能力的不足影响了检索的效果。随着深度学习的发展,基于深度哈希网络的检索方法逐渐流行,但仍然存在训练数据不平衡,量化误差较大以及缺少语义信息的问题。针对上述问题,本文提出了一种端到端的深度哈希网络结构,通过特征提取和生成二进制哈希码两步骤同时进行并互相反馈,获取到高质量的哈希码。本文主要工作如下:1.为了提取表达能力较强的图像特征,本文使用VGG16网络,并引入迁移学习,首先在Image Net数据集上对VGG16网络进行预训练,然后将其迁移到图像检索任务中,利用图像检索数据集进行微调,以适应图像检索任务的图像特征提取。同时将网络模型最后一个全连接层改成哈希学习层,保证在训练网络的时候,同时学习图像的特征表示以及哈希码。2.为了获取高质量的哈希码,本文将图像对的相似标签信息作为训练时的监督信息,对图像间的相似性进行保存学习,使得相似图像对通过网络学习到的哈希码之间的汉明距离较小,不相似图像对的哈希码距离较大。同时针对训练中相似数据的不平衡情况,本文引入一个权重系数调节学习相似图像对和不相似图像对时的惩罚力度,减少不平衡带来的影响。3.为了减少生成哈希码产生的量化误差,本文对激活函数进行了改进,加入一个正则项,降低网络学习过程中离散优化带来的误差;同时针对语义信息缺失问题,结合softmax分类损失和图像对比损失对全局损失函数进行了改进,使得特征提取与哈希量化相互反馈,实现了端到端的深度哈希图像检索算法,提升了检索准确率。最后本文在CIFAR-10和NUS-WIDE数据集上进行实验,为了验证检索算法的有效性,设计了针对本文改进方法的对比实验,分析其实验结果。结果表明,本文提出的方法有效提升了检索的性能,能够查询到更符合要求的图像。