随着互联网的飞速发展,以图像、视频等多种模态出现的数据呈爆炸式增长,如何有效地进行跨模态数据检索逐渐成为研究热点。在众多跨模态检索方法中,基于哈希编码的无监督跨模态检索方法因其高效的检索速度、低廉的存储代价和无需费时费力的手工标注而备受关注。现有的研究大都通过在汉明空间内保持哈希码的域结构信息以学习特定模态的哈希函数,往往忽略了对多模态实例邻域关系的有效探索。此外,大都未考虑构建的语义关联信息中存在的噪声,降低了哈希码的判别性。为此,本文采用域结构保持策略,提出了两种基于联合模态语义相似度重构的无监督跨模态哈希方法,旨在提升哈希码的判别性。（1）针对大多数工作未能有效探索多模态实例邻域关系的问题,提出一种基于对比学习的邻域关系保持跨模态哈希。该方法首先通过融合各模态内和模态间相似度信息,构建一个表征多模态实例语义关联的联合模态语义相似度矩阵。然后,将实例关系表达为图结点间的关系,通过充分挖掘结点间的邻域关系并融合至原有相似度矩阵,以提升其表达实例关联的能力,最后将其作为各模态哈希码相似度重构的目标。在哈希码学习阶段,受对比学习的启发设计了一种基于相似度阈值的负例生成方式,引入了一个跨模态哈希码相似度对比约束,以进一步提升哈希码的判别性（2）针对构建的语义关联信息中可能存在的的噪声问题,提出一种基于联合模态语义相似度修正的跨模态哈希。通过引入数据特征空间中的流形结构信息修正原有相似度信息中的噪声,并增大具有相同语义样本间的相似度,生成的联合模态语义相似度矩阵更能准确表示多模态实例间的语义关联。本文在两种具有代表性的数据集上进行了充分的实验,并通过多种检索性能指标对提出的算法进行评估。实验结果表明,本文提出的基于对比学习的邻域关系保持跨模态哈希方法能够有效提升哈希码的判别性。此外,基于联合模态语义相似度修正的跨模态哈希方法在实验中表现出显著的性能优势,在NUS-WIDE数据集上的的图像检索文本任务中,各哈希码长度下的m AP@50指标较对比算法的最优结果有4.4%-6.0%的提升,证明了引入流形结构信息修正原有相似度噪声策略的重要性。