近邻查找是信息检索领域的一个重要研究方向,在图像检索、文本匹配、数据挖掘等问题中均有广泛应用。常用的技术主要有基于树和基于哈希的两类方法。当数据维度变大时,基于树的近邻检索的效率受到较大限制。而基于哈希技术是将原始数据通过哈希函数压缩成低维的二进制编码,然后在海明距离下排序检索,因此该方法具有快速高效且维度不敏感的优势。目前研究较多的哈希方法是将所有数据统一训练的批处理技术,无法处理实时的流式数据。尽管学术界有少量针对流数据的实时在线哈希学习方法,但这些方法基本没有讨论哈希函数的更新频率和稳定性问题。针对这一问题,本文通过增加置信区间以减少更换哈希函数的频率,并构造在线学习的目标函数,使得算法尽可能保持稳定,且快速收敛。为了验证提出算法的效率和有效性,在公开数据集上与同类的OSH、OKH在线哈希算法比较,本文算法在平均准确率和训练时间上有一定优势。