跨模态检索是多媒体检索领域中针对两个模态的特殊检索方式,它通过构建不同模态之间的语义关联实现准确的交叉匹配。近年来,跨模态哈希检索以其检索速度快和存储成本低的优点成为跨模态检索中主流的研究方向。现有的跨模态哈希检索方法旨在将异构特征转换为紧凑的二进制码,并使用监督信息来提高性能,但哈希码生成过程中大多丢弃了离散约束而造成累积的量化误差,并且通用的监督使用形式忽略了类别间的语义关联。本文针对以上问题,探究了两种基于潜在语义学习的跨模态哈希检索算法,有效地缩小异构模态间的语义差距。(1)针对不同类别间语义关联被忽略的问题,提出基于语义引导的跨模态哈希检索算法。算法首先通过词嵌入模型生成类名的语义表示,并利用该语义表示构建类级语义空间。之后,根据编码器-解码器范式,设计一种基于类语义的双模态自动编码模型,学习从原始特征空间到公共潜在空间的投影,保留了原始特征中的所有信息,并使算法扩展到不可见域。(2)针对哈希码生成过程中量化误差大的问题,提出基于最小语义损失的自学习跨模态哈希检索算法。算法采用共矩阵分解技术学习不同模态的公共语义表示,并通过具有正交约束的二值量化过程将公共表示映射到低维汉明空间,同时保证语义损失最小化。此外,将哈希函数的学习视为二分类问题,并借助支持向量机的优势进一步减少语义量化误差。本文在公开数据集上设计大量实验,并通过多种性能评价指标对提出的两个算法进行评估。实验结果表明,基于语义引导的跨模态哈希检索算法能够在检索任务中实现优越的性能,同时也证明本算法在不可见域检索问题中的有效性和适用性。此外,基于最小语义损失的跨模态哈希检索算法在实验中表现出显著的性能优势,证明最小化语义编码损失的重要性。综合以上两个实验结果,本文提出的两个算法均表现出优异的性能,并在跨模态检索任务中实现快速、准确的检索结果。