图像检索在图像理解和计算机视觉任务中是一个具有挑战性的课题。在图像检索中存在“语义鸿沟”的问题，即计算机通过提取图像特征所理解的图像语义与人所感知到的图像语义之间存在差距。而且在大规模图像检索中如何实现快速检索成为了待解决的难题。该文充分利用图像语义信息来解决图像检索中语义鸿沟的问题，并且结合哈希算法来实现大规模图像数据集的快速检索。
　　首先，该文研究了一种基于图像视觉信息和语义信息的图像检索算法。该算法利用图像特征结合哈希编码来描述图像视觉特征，并且利用词向量生成模型将图像语义词转换为词向量来描述图像语义特征。为了更好地结合图像视觉特征相似度和语义特征相似度，该算法建立了重排检索矩阵对图像进行检索。该文通过实验验证了所提出的算法的有效性，根据该算法得到的检索图像即突出了图像语义信息的一致又保证了图像视觉特征的相似。
　　其次，该文提出了一种基于联合学习的深度监督哈希算法。该算法将哈希函数的学习和图像分类整合到同一个端到端的神经网络框架中。在训练过程中分类器的权重和整个数据库所对应的哈希码可以相互促进。而且该算法在传统的成对监督信息上设置了超参数，使得神经网络的输出更加接近于真实的离散哈希码。该文所提出的算法在MS-COCO和CIFAR-10两个数据集上的图像检索实验都达到了最好的结果。
　　最后，该文提出了一种基于联合学习的深度监督哈希的改进算法。为了减少经过网络训练得到的图像表示和整个数据库所对应的哈希码间重复部分的差异性，该算法在原始算法的基础上增加了一个新的损失函数。同时为了使损失函数收敛的更快，该算法在新增加的损失函数上设置了一个超参数，使得经过网络训练得到的图像表示更加离散化。该文提出的算法在两个常用数据集上的图像检索实验都得到了比原始算法更高的检索结果。