当今人们正处于高度信息化的时代,数据作为信息的载体记录着日常生活中的一切。在这种数据爆炸的时代背景下,如何高效地检索信息已然成为了数据科学及相关领域关注的热门话题。面对海量数据,对其进行高效、准确的查询并非易事,查询过程中很难同时满足高效率和高精度两方面的要求。哈希索引作为一种高效的信息检索方式被广泛应用于各类信息检索系统中,但是在大数据环境下,传统哈希索引的性能还是受到了严峻的挑战,为了能够保证检索效率,不得不牺牲一定的查询精度以换取更高的查询效率。另外,传统哈希索引方法在实现过程中利用了人为构造的空间映射,这也使得哈希函数在表达数据的内在相关性上存在局限性。近些年随着机器学习不断发展,机器学习方法逐渐涉足各个领域,这也为构建哈希索引提供了一种新思路,即利用机器学习模型来构建哈希索引,Google提出的可学习索引架构正是这一思路的产物。本文对前人利用机器学习构建哈希函数的工作进行了总结,在可学习索引架构的基础上提出了一种基于深度学习的局部敏感哈希的可学习哈希索引框架LLSHF,该框架包含四层,每一层都定义了具体的任务规则。相较于前人的工作,本文创新性的将机器学习构建哈希索引归纳成具体框架,该框架可根据具体需求构建具体的哈希编码模型。本文利用LLSHF实现了面向低维数据的哈希方法和面向图像检索的哈希方法:面向低维数据的哈希方法在框架中引入Hilbert曲线映射作为模型训练的目标,并对哈希方法是否满足广义LSH定义设计了实验方案;图像检索方法则利用迁移学习构建了端到端(End-to-End)的模型方案,可以直接将图片作为模型的输入,然后生成哈希编码。最后,通过实验验证了LLSHF框架下面向低维数据的哈希方法作为一种局部敏感哈希方法,完全满足广义LSH定义;而基于LLSHF的图像检索哈希编码模型同样具备优良的查询性能。