随着互联网技术的高速发展,图像数量呈爆发式增长,如何在大规模图像数据中高效地检索出语义相似的图像已成为目前研究的热点。借助于深度神经网络和哈希学习方法,深度哈希图像检索技术具有强大的图像特征提取能力和高效的检索性能。深度哈希图像检索的关键在于设计一个合适的损失函数,通过该损失函数能训练出特征提取能力强的深度神经网络模型,从而将原始图像数据映射成表示能力强的低维哈希码。深度哈希学习损失函数的主要设计原则是保留相似性,即语义相似的图像,对应的哈希码也应相似。语义不相似的图像,对应的哈希码也应不相似。现有深度哈希图像检索算法的损失函数设计通常使用基于成对图像相似性或者基于三元组图像相似性的方法。这两类损失函数不足在于计算时仅分别关注两个或者三个图像数据,无法捕获训练数据的全局特征信息,导致最终训练出的深度学习模型的检索性能难以取得突破,基于中心相似性的深度哈希图像检索算法,通过对每一个类别的数据设定一个中心,然后让数据的哈希码靠近这一个全局的中心,从而能取得更优异的检索性能。为了提高深度哈希图像检索性能,本文针对基于中心相似性的深度哈希学习,从更新中心的方法设计和基于中心相似性的损失函数设计两个角度进行研究,具体工作内容为:1、为了解决现有的基于中心相似性的深度哈希算法没有更新中心的问题,本文提出了基于数据更新中心的深度哈希算法（Update Central Point Hashing,UCPH）。每当训练到一定阶段,该算法首先根据每个类别数据的哈希码均值初步确定当前数据的中心,然后使用最小化哈希中心相似性重构损失的方法来对初步确定的中心进行调整,从而增大不同类别哈希中心之间的距离,最后使用更新好后的哈希中心继续去进行训练深度神经网络。在几个常见的图像检索基准数据集上的实验结果表明,在结合本文提出的更新哈希中心方法后,基于中心相似性的深度哈希算法图像检索性能得到进一步提高。2、现有的深度哈希图像检索算法存在两个问题:（a）在设计损失函数时较少利用整个数据集的特征,（b）量化时仅仅只考虑当前数据与其哈希码之间的误差,针对这两个问题,本文提出了一种基于非对称对比损失和中心对比量化损失相结合的哈希学习方法（Asymmetric Contrastive Central Hashing,ACCH）。该算法使用了非对称的策略,包括以下内容:（a）训练时使用当前批次的数据和整个训练集的特征数据以非对称的方式来计算损失,让数据靠近训练集中同一类别的其他数据,同时远离其他类别的数据;（b）量化的时候使用中心相似性,让每一个数据点尽可能靠近自己类别的哈希中心,同时远离其他类别的哈希中心。在多个图像检索标准数据集上的实验结果表明,本算法在图像检索可以取得更优异的性能。