信息化快速发展的今天,我们身边存在大量不同模态的数据,例如:文本、图像、小视频等类型的数据,这些多模态的数据往往具有较高的维度,这导致在这些数据中进行高效检索是比较困难的。而哈希学习则可以将数据转化为二进制哈希码,再利用生成的哈希码进行检索可以极大的降低检索时的时间消耗与空间消耗,哈希学习也因此吸引了大量的研究人员的注意力。如今哈希学习已有一段时间的发展,但还存在一些需继续探究的问题。例如,一些方法会使用子空间学习、流形学习、协同矩阵分解等技术将不同模态的数据特征提取并保存在一个公共子空间,但它们多注重于提取多模态异构数据的信息,而较少注重于标签信息的提取,由于标签中包含丰富的语义信息,导致这些方法生成的哈希码质量有所损失;此外,还有另外一些方法在学习哈希码的时候没有对哈希码进行约束,甚至放松了离散约束,降低了哈希码的质量。针对这些问题本文开展了一些研究:本文的主要研究内容如下:（1）为了解决部分方法由于较少提取标签中的信息所导致语义损失问题,本文利用流形学习、构建相似度矩阵等方法,将标签中所包含的语义信息进行提取,再利用这些信息构建约束,使得可以在哈希码中保持标签中的语义信息,以此来保持标签一致性,同时保持标签连续性,减少构建相似度矩阵所照成的语义损失,并进一步增加哈希码中的语义信息。最后,在哈希函数学习步骤中使用了核函数,提高了哈希函数的质量。（2）一些方法在哈希码的学习过程中没有对哈希码进行约束,甚至是放松了离散约束,从而降低了哈希码的质量,为了解决此问题,本文在哈希码迭代优化过程中对哈希码进行了约束,使得生成的哈希码可以尽可能的包含更多的信息,提高了哈希码的质量,同时将哈希学习拆分为哈希码学习与哈希函数学习两步,提高哈希学习整体的灵活性,并降低模型的复杂度。（3）为了验证本文提出方法的有效性,本文在多个基准数据集上进行了大量实验,并将本文方法的实验结果与多个跨模态哈希方法进行比较,其实验结果验证了文本方法的有效性。