随着大数据时代的到来,互联网中的图像数据每天以惊人速度迅猛增长,如何快速、准确地检索出用户需要的图像成为智能信息处理的重要研究内容。当前主流的图像检索方法存在图像特征表达能力不强和高维向量运算耗时长等问题,可以利用深度学习和哈希技术来解决或改善。深度学习可以充分挖掘图像的内在隐含信息,提高特征的语义表达能力;哈希技术在保持空间一致性的同时将高维图像特征映射为低维二进制哈希码,能有效提高特征检索效率。论文主要研究基于深度学习和哈希技术的图像检索,主要研究成果如以下三个方面:(1)研究了图像快速聚类,针对当前主流视觉特征缺乏自主学习能力,导致其图像表达能力不强,以及传统聚类算法计算复杂度较高、聚类效率低等问题,提出了一种基于卷积神经网络和二进制K-means的图像快速聚类方法。首先,利用卷积神经网络学习图像内容的内在隐含关系,得到图像高阶特征,增强特征的视觉表达能力和区分性;然后,利用哈希技术将高维特征映射为低维二进制哈希码,并通过对聚类中心构造多索引哈希表加速寻找最近聚类中心,降低时间复杂度;最后,利用二进制K-means完成二进制哈希码快速聚类。实验结果表明,新方法能够有效地增强图像特征的表达能力,提高图像聚类效率。(2)研究了高维图像特征检索,针对当前的高维特征向量检索方法效率较低,难以适用于大规模图像数据,在利用卷积神经网络提取图像深层特征的基础上,提出了一种基于监督核哈希的图像检索方法。首先,利用卷积神经网络提取图像深层特征,并引入核函数作为哈希函数,增强哈希函数对线性不可分数据的分辨力;然后,利用监督核哈希算法对高维图像特征进行监督学习,并将高维特征映射到低维汉明空间中,生成紧致的哈希码;最后,在低维汉明空间中完成对大规模图像数据的有效检索。实验结果表明,新方法不仅减少了图像检索时间,而且提高了检索准确率和召回率,优于当前主流方法。(3)研究了图像查询扩展,由于图像噪声和语义鸿沟的存在,初始检索结果中会存在一些与查询图像无关的检索图像,为进一步提高图像检索准确率,提出了一种基于结构查询扩展的图像重排序方法。首先,通过深层卷积神经网络提取图像特征,并根据图像特征之间的相似性离线构建无向连接图,降低噪声对查找信任图像的不利影响;然后,利用最大密度子图查找算法在连接图中查找查询图像的信任图像;最后,利用监督核哈希算法对信任图像进行在线检索,根据扩展查询结果对初始检索结果重排序。实验结果表明,新方法有效提高了图像检索准确率,在复杂环境下仍具有较强的鲁棒性。