随着图像数据的日益增长,图像近似搜索（又称图像检索）扮演着越来越重要的作用。在过去的几年里,监督的图像检索可以获得令人满意的效果,然而由于带标签数据集的稀少以及人工标注的成本太高,无监督的图像检索成为主要关注点。为了节省存储空间,本文研究稀疏图在无监督图像检索中的应用,致力于在节省空间的同时提高图像近似搜索的精确度。该技术目前有以下三个主要问题需要解决:（1）标签信息缺失情况下的近邻信息挖掘问题。到目前为止,无监督图像检索算法的性能整体上不如监督算法,主要原因是标签信息的缺失导致原始近邻信息不完整,最终引起无监督算法整体检索性能的下降。因而需使用合适的模型来挖掘和存储近似信息。（2）在上一个问题已解决的基础上,跨模态检索任务中近似信息不一致问题。由于各个模态数据结构的不一致性,在标签信息缺失的情况下,每个模态挖掘的近邻信息不完全相同,为此,必须在此基础上获取统一的语义近邻关系以指导跨模态检索的训练过程。（3）在前两个问题已解决的基础上,深度训练过程中全局近似信息合理利用问题。由于前文获取的近似信息是全局信息,而深度训练过程中通常按批迭代更新,为此全局信息遭到破坏。因此,在深度模型中应考虑最大化利用已获取的全局近似信息以减少性能损失。基于上述三个问题,本文的主要工作内容及成果如下:（1）针对第一个问题,本文提出了基于稀疏图的自监督哈希算法,该算法使用稀疏图结构存储已挖掘的近邻信息,并将其整体用于训练。为证明该结构的合理性,该算法的稀疏图使用最常见的k NN算法构建,同时对所有实验数据集使用同一个k值,并将该稀疏图用于线性算法中。此外,该算法引入重构损失和量化损失以提高性能,在多个数据集上的实验证明了该算法的有效性。（2）针对第二个问题,本文提出了基于语义变基的跨模态哈希算法,该算法使用k NN算法构建每个模态的近邻稀疏图,同时为了获得统一的语义近邻信息以使各个模态共享,引入可迭代学习的语义稀疏图,该稀疏图的目的是给各个模态生成的近似连接添加0到1间的权重,该权重表示这些近邻关系的概率。最后语义概率稀疏图和各个模态的近邻稀疏图整体构成了跨模态检索的近邻图。该算法除量化损失和重构损失外,还对语义概率稀疏图的权重进行了约束,以生成符合预期的权重值。（3）针对第三个问题,本文提出了基于稀疏图的深度哈希算法,该算法仍使用上述两种算法引入的近邻稀疏图指导神经网络的训练,同时改变了传统的随机批量训练算法,使得训练过程中可以有效使用近邻关系更新网络权重。不失一般性,该算法在单模态检索上实现。在多个数据集上的实验结果表明改进的训练方式结合近邻稀疏图可以有效减少全局信息丢失引起的性能下降。此外,由于深度神经网络强大的拟合功能,使得所提模型在高相关性检索方面可以获得很好的表现。