深度哈希利用深度学习架构训练并提取样本的二值化特征即哈希码,利用二进制哈希码进行大规模图片的语义搜索具有存储和计算的优势,因而在计算视觉和多媒体应用中得到广泛应用。但深度哈希的性能依赖于训练样本的监督信息,并且要求待搜索的目标样本和训练样本的分布一致。在实际应用中,当目标样本缺乏标记信息并且和训练源样本分布有差别时,会因模型泛化能力不足而造成搜索性能下降,因而,域自适应技术近期被广泛研究以解决上述问题。本文研究了基于多核最大均值差异的域自适应深度哈希算法,通过Res Net-50预训练网络构建深度哈希模型框架,将所有全连接层的隐藏表示都映射到再生核希尔伯特空间中,采用多核选择方法,减少了源域和目标域的偏差,同时加入哈希约束提升哈希码性能。在Office-31、Image CLEF-DA、Office-Home数据集中的实验结果表明,相较于传统深度哈希算法,本文提出的域自适应深度哈希算法在目标域和源域分布不一致且无监督信息的情况下,能有效提升搜索性能。在此基础上,本文研究了基于极小熵最大多样性的域自适应深度哈希算法,利用了最大化类别多样性这一正则化项,成功解决了以往算法在目标域熵最小化时易产生平凡解的问题。在公开数据集的对比实验表明本算法在域偏移场景中能进一步提高搜索性能。