人脸图像检索是计算机视觉领域的重要研究方向之一,图像哈希技术因其具有存储效率高、检索速度快等特点,已成为当前的研究热点。近年来,随着深度神经网络技术的迅速发展,基于深度学习方法的哈希方法在图像检索方向取得了良好的检索性能。但是对于大规模的人脸图像检索任务,哈希方法的性能有待进一步提高。为此,本文针对深度学习技术的人脸哈希算法展开了研究,从深度学习及哈希方法的特点入手,分别对损失函数、量化方法、训练数据和网络结构等几个方面进行了研究,主要包括以下几点工作:(1)针对深度人脸哈希算法中现有损失函数对人脸图像鉴别力不强的问题,本文提出了一种基于度量学习的人脸哈希算法。该哈希算法在哈希领域引入了度量学习的思想,同时针哈希码的特点进行了设计,对哈希码的符号正负进行了控制,从而帮助网络学到更有鉴别力的哈希码。(2)针对深度哈希算法中现有量化方法的网络收敛较慢、生成的哈希码鲁棒性不强且误差较大的问题,本文提出了一种基于二次量化方法的人脸哈希算法。本文分析了不同量化方法在反向传播时的梯度情况,设计了一种“二次量化损失”。该损失可以使网络收敛更快,提高了网络的鲁棒性,同时减少了量化误差。(3)针对单人人脸图像训练样本不足以及哈希方法中信息压缩步骤产生的信息损失问题,本文使用了生成对抗网络(Generative Adversarial Network,GANs)进行人脸属性数据增强,并提出了一种多层监督结构及多阶段的训练方法。本文借鉴了模型蒸馏的思想,在进行哈希码学习之前的特征层中加入了监督损失,提出了一种多层监督结构,并通过多阶段训练,帮助网络学到更好的特征,从而学到更有鉴别力的哈希码。以上研究的有效性在多个常见的人脸数据集上进行了验证,且部分改进对于非人脸数据也同样有效。在多个数据集上的实验表明,本文提出的深度人脸图像哈希算法能够生成高质量的二进制哈希编码,并取得了良好的人脸图像检索效果。