近年来,在Flickr、Facebook、新浪微博等网站上逐渐成为流行的社交平台,图像、视频、音频、文本等异构数据逐步增加到人工难以处理的规模。在大规模图像库中快速、准确地检索到用户所需的或感兴趣的图像,是本研究的核心任务。由于深度学习算法在计算机视觉各项任务上的优异表现,基于深度哈希的图像检索算法已经吸引了学术界和工业界越来越多的关注。大多数已有深度哈希模型存在的问题是模型结构为单标签图像索引任务而设计,无法有效解决多标签图像索引问题。本研究提出一种可以学习多标签图像的二值化语义表征的深度多相似度哈希模型,这种哈希模型是当前多标签图像索引任务性能最好的模型。深度多相似度哈希模型利用非线性的卷积神经网络作为图像哈希函数,从成对多标签图像中学习图像内容相关的紧凑二值码。为了充分学习图像多标签的多层次语义结构,深度多相似度哈希模型定义了多标签图像的成对损失,这个损失被由共同标签数量控制的零损失区间影响。对于共同标签数量较多的图像对,零损失空间较小,网络输出的欧氏距离更容易计入损失,这样的设计可以使得模型在训练过程中更加关注高相似度的图像对。不仅如此,深度多相似度哈希模型具有灵活的结构,其哈希函数部分可以改用多种卷积神经网络实现。在大规模图像数据集NUS-WIDE上的实验表明,深度多相似度哈希模型在多标签图像索引任务中达到最好表现。