随着互联网的出现,网络上的海量数据在数据规模和特征维度两方面都快速增长。如何挖掘数据之间的关联性并从大量数据中寻找相似信息是一个极具挑战性的问题。哈希散列方法通过快速查找近似邻近数据而非精准邻近结果成为相似度搜索主要技术,并逐渐成为解决大规模数据检索问题的重要技术手段。哈希检索技术可划分成两类,即单模态哈希检索和跨模态哈希检索。单模态哈希检索旨在面向单一模态数据（如图像）利用相似性度量手段寻找距离相近的数据并返回检索结果。跨模态哈希检索旨在面向多类型模态数据挖掘不同空间下的数据内在异构相似性,从而允许使用某一模态数据（如图像）查询其他模态的邻近数据（如文本）,为用户提供多样化的检索结果。本文针对上述两类哈希检索技术从相似度度量、损失函数、离散学习、外样本学习等多个方面深入研究并探讨如何设计高效的哈希检索算法,主要工作包含如下内容:针对传统基于图学习的哈希方法难以有效进行特征选择的问题,提出一种无监督型稀疏图自适应学习的单模态哈希检索方法。利用聚类方法构造描述数据相似性的拉普拉斯图模型,并使用重加权1范数对图模型进行稀疏约束,从而自适应选择稀疏和判别性的流形结构特征用于数据的相似性度量;然后,使用线性回归方法将流形结构特征量化为紧凑的二进制代码。实验结果验证了该方法在特征学习方面的优势。针对子空间学习缺乏语义判别性的问题,提出一种监督型离散语义矩阵分解的跨模态哈希检索方法。首先将标签信息嵌入协同矩阵分解模型,获得具有语义判别性的异构数据协同子空间;然后,将协同矩阵分解模型转化为离散学习模型,获得紧凑的二进制代码,同时学习相应的哈希函数;最后,采用一种交替迭代的逐位求解方法,有效地优化目标函数的离散解。所提出的方法在多个公开数据集上均能获得更高的检索精度。针对哈希代码的异构语义学习和离散优化难点,提出一种监督型可扩展判别性离散学习的跨模态哈希检索方法。通过在正交且平衡的协同矩阵分解获得异构数据的二进制表示,充分挖掘不同模态数据的局部流形结构和异构相似性;然后,利用回归模型将标签的类内相似性和类间差异性信息嵌入哈希代码。区别于传统哈希方法逐位优化离散代码,该方法直接学习哈希代码的全部编码位,大幅提升了离散优化效率。最后,通过理论推导和实验结果验证了该方法在异构特征学习和离散优化速度方面的优异性。基于协同子空间学习的哈希方法通常忽略了不同模态数据的内在特性。为了克服这一问题,提出一种监督型联合特性和一致性学习的跨模态哈希检索方法。通过正交且平衡的矩阵分解学习每种模态数据的特定表示,以充分保持模态内相似性;其次,引入一种非对称的距离-距离差异最小化学习模型,以有监督方式充分捕获多特定模态表示之间的模态间相似性;然后,通过联合标签信息和多个特定模态表示将异构数据的特定信息和一致信息嵌入汉明空间;最后,采用一种交替迭代的优化方法高效地求解目标函数,有效降低优化过程的计算时间和存储需求。实验结果表明,该方法在检索精准度和训练时间上均获得优异的性能。综上所述,本文系统地对两种类型的哈希检索技术进行研究,并从多个方面针对不同模态数据设计相应的哈希特征学习和检索方法。同时,本文在多个公开数据集上进行了大量的对比实验,充分验证了本文所提出的哈希检索方法的有效性和高效性。