最近邻检索是机器学习,数据挖掘,模式识别,计算机视觉等研究领域的基本问题。最近的研究表明,以局部敏感哈希算法为代表的哈希算法,可以有效地应用在大规模高维数据的最近邻检索问题中。目前许多的哈希算法都是基于随机投影算法的,这些算法都需要产生很多的哈希表(在实际中就是长的二进制编码)才能获得不错的检索效果。而另一类基于学习的哈希算法在哈希编码较短时性能不错,但是当编码长度增长时,性能的提高并不明显。针对这些不足,本文提出了两种新的哈希算法,分别为密度敏感哈希算法和压缩哈希算法。(i)密度敏感哈希算法可以看成是局部敏感哈希算法的一个扩展。通过挖掘数据的内在几何结构,密度敏感哈希算法避免了像局部敏感哈希算法那样完全随机地产生投影,而是依据具体数据的分布产生最合理的投影向量,并且通过最大熵原则从候选投影中选取最后产生二值哈希编码的投影；(ii)压缩哈希算法是把稀疏编码技术和压缩感知方面的理论结合在一起的新的哈希算法。基于近似理论中的积分算子,该算法首先引入了一个稀疏编码的过程,得到所有高维数据向量的稀疏表达。然后,利用压缩感知理论中的受限等距性质这一关键理论保证,有效地把高维稀疏向量投影到低维空间中去。理论分析和实验结果都表明本文提出的哈希算法可以处理大规模高维数据的最近邻检索,并且在性能上比主流算法有了显著的提高。