随着网络社交平台、安防视频监控的普及,如何在大规模人脸数据库中根据需求高效、准确查询并检索到相关的人脸图像成为计算机视觉中的热点问题。本文针对大规模人脸属性图像深度描述子的提取和检索问题展开研究,具体工作和创新点如下:(1)详细介绍分析了卷积神经网络基本理论与基于哈希方法的近似最近邻检索问题,并介绍了深度哈希方法的经典模型,为深度哈希模型的设计提供参考。(2)针对传统的哈希方法大多适用于单标记问题的情况,提出多标记收缩哈希方法。在使用三元组损失训练模型时,为解决传统三元组选择算法对样本点敏感的问题,提出改进的三元组选择算法提高三元组质量,并加速模型的训练过程;为进一步加快模型收敛,采用逐步学习策略,将训练集按对自身属性的展示能力分组,采用不同的学习率训练模型,提升模型性能;同时引入收缩约束项收缩局部编码空间,提升编码过程的抗干扰性,并增加编码的饱和度。(3)通过在公开数据集上与多个经典哈希方法进行对比,证明了MLCH方法的优越性。(4)针对MLCH方法并不研究人脸图像特征提取的问题,提出DMLCH模型实现从人脸属性图像直接到哈希编码的整个流程。通过详细分析基于深度卷积神经网络的经典人脸特征提取模型,并结合实际实验条件,完善了DMLCH模型的结构设计和参数设置;最终通过实验证明了DMLCH模型较MLCH方法更具优越性。