随着人工智能的快速发展以及5G时代的到来,人们享受着网络带来的便利,同时大量的图像数据也成指数增长,如何准确、快速地得到想要的图像成为图像检索中具有挑战性的课题。哈希算法将高维特征向量表示为紧凑的二进制编码,并且使用汉明距离排序查询近邻点,具有存储空间少和计算简单的特点,成为研究的热点。传统的哈希算法由于图像表达能力不强,使得检索效率不高。鉴于深度哈希算法在提升图像检索性能方面有优异的表现,本文围绕基于深度哈希算法的图像检索进行深入研究,论文的主要工作如下:1.提出两种结合多种损失函数的深度哈希算法。优化阶段为了增加监督信息,同时解决多标签分类问题,提出基于分类损失函数的深度哈希算法;针对由激活函数输出值导致的梯度消失问题,提出基于约束损失函数的深度哈希算法。首先通过卷积神经网络提取图像的特征,通过全连接层输出图像的特征向量,结合乘积量化方法生成二进制哈希码,最后将所提出的分类损失函数、约束损失函数分别与边缘损失函数以及量化损失函数三者结合为目标损失函数,通过Adam优化器使目标损失函数最小化,从而提升图像检索性能。2.提出一种结合分化模块的深度哈希算法。针对本文提出的基于约束损失函数的深度哈希算法,特征比特位之间仍然存在冗余信息问题,在原有的框架基础上,在特征提取阶段引入分化模块,将全连接层转化为局部连接模块,每个量化比特位置只和部分输入相关,然后与乘积量化方法结合进行编码,最终输出更加紧凑的二进制编码。在CIFAR-10、NUS-WIDE、Image Net三个数据集上进行实验,本文提出的深度哈希改进算法与目前常用的图像检索算法进行对比,实验结果表明本文提出的算法可以有效地增强图像特征的表达能力,提高图像检索的性能。