随着互联网时代的到来、大数据技术的推动、多媒体技术的发展和海量图像视频数据的产生,人们对图像检索的要求也日益提高。现在的图像检索的特点是数据量越来越大,数据维度越来越高。传统的基于树型的数据搜索算法在当前检索任务中效果退化。在高维数据的搜索任务中,基于哈希的算法往往会取得了更加优秀的搜索结果。本文就图像检索中的哈希算法展开研究,改进了传统哈希算法中的量化编码方式,将欧氏距离引入哈希码的度量中。同时还提出一种将深度学习和哈希技术结合的深度哈希模型。本文的主要工作如下。提出了基于欧氏距离的双比特嵌入哈希算法。在传统的哈希算法的量化阶段,每个投影上只生成一个比特的哈希编码,会造成较大的误差。而基于欧氏距离的双比特嵌入哈希算法在量化阶段,每个投影会生产两个比特的哈希编码。以欧氏距离作为哈希编码的度量依据,提高了哈希编码对原始空间关系的保持能力。针对欧氏距离计算缓慢的问题,在进行哈希编码距离计算时,设计出一种基于位操作的欧氏距离加速计算方法,提升了双比特嵌入二进制码的欧氏距离计算速度。同时针对曼哈顿哈希中计算曼哈顿距离速度缓慢的问题,提出了基于位操作的曼哈顿哈希加速算法,在精度保持一致的前提下,提升了双比特嵌入曼哈顿哈希的检索速度。提出了一种结合深度学习算法和哈希算法的端对端卷积神经网络模型,即基于类别距离约束的深度哈希模型。卷积神经网络在图片高等语义表示上的优秀性能,使得它在针对语义信息的图像检索中,往往能取得更好的效果。基于类别约束的深度哈希模型在当前流行的深度哈希模型的基础上,增加了类别信息统计层用来测量不同类别之间的语义相似程度,对容易混淆的类别通过Loss函数增加它们之间的距离。模型中还提出了三种新型的约束函数,类别距离约束函数、最小量化误差约束函数和类别距离自适应约束函数,可以有效地保证网络性能的优化。