哈希学习是一种典型的哈希学习技术,它将数据转换为哈希码表示,以降低数据的存储开销和检索所需的时间成本。位置敏感哈希技术（Locality Sensitive Hashing,LSH）是哈希学习中最具有代表性的算法之一,它通过随机的方式生成一组哈希函数,将高维实值向量映射为相应的哈希码。当所生成的哈希码长度足够长时,位置敏感哈希能够达到理想的检索精度。然而,长哈希码不仅增加了数据所需的存储空间和检索时间,而且其中包含有大量的冗余哈希位,这些冗余的哈希位甚至会影响最终的检索精度。为了解决这个问题,本文提出了哈希位选择框架,旨在从长哈希码中选择出有效的哈希位。在该框架的基础上提出了两种有效的哈希位选择算法:1)多尺度准则下的哈希位选择算法;2)基于互信息与标签相似度保留的哈希位选择算法。除此之外,本文还在选择出的高质量哈希码的基础上,探讨了高质量哈希码对哈希学习模型的影响。本文的研究主要包括以下三个部分:·多尺度准则下的哈希位选择算法。为了从不同角度描述每个哈希位对整体哈希学习的影响,本算法从单个哈希位的重要性和多个哈希位之间的相似性来度量哈希位的质量好坏。在该算法中,我们使用了5种度量标准来对每个哈希位进行评分,如拉普拉斯分数、方差、平衡性、和数据相似性保留等,哈希位的得分越高,该哈希位的质量越高。除此之外,我们还使用了6种高效的指标来度量两个哈希位之间的相似性,如皮尔逊系数、Jaccard距离和欧式距离等。通过去除两个具有高相似性的哈希位的其中一个来进行哈希位选择。在多个大规模图像数据集上的实验表明,选择后的短哈希码的性能能够与原长哈希码的性能保持基本一致,同时去除了原长哈希码中大量的冗余哈希位。·基于互信息与标签相似度保留的哈希位选择算法。不同于上述多尺度准则下的哈希位选择算法,本算法在考虑单个哈希位标签相似度保留能力的同时,减少选择出的哈希位之间的互信息。互信息描述了两个变量之间所包含的信息量大小,包含的信息量越大,两个哈希位之间越相似。我们希望选择出的哈希位之间的互信息要越小越好,同时每个哈希位要能够保留原数据之间标签信息的一致性。那么哈希位选择的过程可以转化为一个二次规划问题,使用动态者理论可以有效求解。实验结果表明,使用该算法选择出的哈希码性能超过了原长哈希码,且远高于经典的一些哈希算法。·高质量哈希码下的哈希学习算法。在现有的哈希学习算法中,大部分算法都通过随机初始化哈希码的方式来进行哈希学习,即哈希学习模型的输入为随机哈希码,然后学习模型通过迭代优化的方式来生成质量更高的哈希码。本文基于哈希位选择的思想,使用选择后的高质量哈希码来初始哈希学习模型,得到比随机方式更优质的哈希码。在设计哈希学习模型时,主要考虑了哈希码与原数据之间的量化损失和哈希码保留原数据的局部相似性结构。实验结果表明,使用高质量的哈希码初始化哈希学习模型所得到的哈希码性能高于随机方式下学习得到的哈希码。