如何从图像数据库中准确快速地检索与用户查询相关的图像,是视觉检索领域的热点研究问题。随着图像数据的爆炸式增长,基于文本的图像检索由于标注工作量增大并且标注内容极具主观性从而逐渐发展成基于内容的图像检索。在基于内容的图像检索中,需要研究的关键问题有:1)研究更能表示图像内容和图像语义的特征提取算法;2)研究如何让查询的图像特征快速匹配到海量图像特征库中距离相近的特征。基于这两个关键问题,近年来研究者结合深度卷积神经网络和哈希技术提出了深度哈希学习的方法,该方法能够提高图像检索精度和速度。但是目前提出的方法存在一些问题,如卷积神经网络哈希(CNNH)方法不能同时进行特征提取和哈希特征表示;深度神经网络哈希(DNNH)方法在训练模型前需要挑选三元组图像;保持监督语义深度哈希(SSDH)方法在训练模型时需要手动设置学习速率,训练速度慢,迭代次数多。另外,目前利用深度哈希学习来进行图像检索的算法中很少考虑通过建立哈希特征索引来提高图像检索效率。本文针对上述缺点,研究了高效的图像检索算法,主要贡献如下:1.研究了提取哈希特征的模型。在模型中的全连接层后加入哈希层,通过减少哈希层的节点个数来得到低维特征。相比与现有的方案,本文提出的模型中网络参数较少,易于训练,且在模型训练时采用AdaDelta算法,避免了手工设置学习速率,加快了模型训练的速度。模型训练完成后通过阈值函数得到汉明空间的二进制哈希特征。经过分析该模型学习到的图像哈希特征可以表示图像高层语义,并具有均匀性和类内相似性。2.构建了基于哈希特征的索引结构。在面对海量高维的二进制哈希特征时,需要建立索引结构来提高检索效率。本文基于哈希特征的均匀性以及类内相似性构建了一种索引结构,该索引结构结合了划分思想和倒排索引,通过查询算法和理论分析得出该索引的构建不仅可以提高图像检索的效率,并且能够保证在该索引下的图像检索精度与线性检索精度基本一致。在图像检索常用的公开数据集上对本文研究的哈希特征提取算法和哈希特征索引结构进行了实验。通过精度评价指标MAP表明本文研究的哈希特征提取算法在Cifar10、Mnist以及Oxford17数据集上的检索精度优于其它经典算法;在选取合适参数的前提下,通过效率评价指标ART得出本文构建的索引结构将Cifar10和Mnist数据集的检索效率提高了5倍左右,将百万数据集ImageNet的检索效率提高了20倍左右,并且在该索引下的检索精度基本与线性检索精度一致。