基于内容的旅游景点影像检索是智慧旅游领域内的一项基本任务。由于景点影像拍摄的季节、光照和角度等条件的不同,使其相较于其他基于内容的影像检索(Content-based image retrieval,CBIR)任务而言更加具有挑战性。哈希检索是一种主流的影像检索方法,其算法中使用的哈希编码在计算和存储上具有独特优势。然而传统的哈希算法存在特征表达能力差,编码冗余度高等缺点,导致其在景点影像检索任务中的表现不能令人满意。为了解决这个问题,本文使用一种基于深度学习的哈希码生成策略,可以端对端的训练哈希映射。并且针对现有深度哈希算法存在的不足,对现有算法进行了一些改进以提高训练的稳定性和检索的性能,从而实现在大规模的景点影像数据集上对景点影像进行高效且快速的检索。具体来说,本文主要包含以下几方面内容:第一:针对传统手工特征在特征表达能力和泛化能力上的局限性,本文使用一种高效的卷积神经网络作为特征提取子网络,用于提取具有更好表达能力的影像特征,并且使用迁移学习的方式迁移网络参数,从而进一步优化网络性能。第二:综合现有深度哈希检索算法中的优缺点,对现有方法进行改进。首先使用分块编码的方式代替传统全连接层构建哈希层以降低生成的哈希码中的冗余;其次使用三元损失函数作为目标函数来优化网络,从而使样本在映射过程中能够保持相似性关系一致。其中针对经典三元损失函数中在样本选择中存在问题,本文使用一种改进的三元组样本选择策略来保证训练的稳定并提升网络的训练效果。第三:使用关键字从网络中爬取图片构建了一个中国热门景点影像数据集,用于验证本文方法的有效性,并且实现了一个简单的原型系统用于展示算法在实际应用中的检索效果。通过对多种先进的深度哈希算法和传统哈希算法在不同的评价标准上进行比较,本文的方法都具有一定的优势。本文提出的方法可以更加快速稳定的训练深度哈希网络,并且能够在保持相似性关系的前提下将影像数据映射成二进制哈希编码,为准确而快速的旅游景点影像检索提供了新的思路。