随着一系列成像卫星的成功发射,遥感影像数据集规模增大,特征维数升高。大规模遥感影像数据集主要具有三大特点:数据量大,特征维数高,响应时间短,这使得对遥感影像进行高效和准确的检索也变得愈发艰难。因此,如何实现快速高效的遥感影像检索已成为一个越来越具有挑战性的问题。基于哈希的检索方法逐渐成为解决这些难题的核心技术之一。由于其结构简单,检索效率高,空间成本低,扩展简单,不受维数灾难影响的特点,哈希方法已成为大规模影像检索的重要技术。本文结合图像哈希技术和深度学习的思想,研究了大规模高分辨率光学遥感影像的检索问题,论文的主要工作包括以下3个方面:(1)对图像检索、哈希算法、深度学习中涉及基本理论和方法做了详细介绍,包括图像检索的发展历程、哈希算法的基本概念和流程,图像特征的描述,哈希算法的分类,卷积神经网络和反向传播算法等。(2)针对图像检索中存在语义鸿沟的问题,提出了一种面向遥感影像的深度语义哈希检索方法。首先,在具有多语义标签的遥感影像数据训练集的基础上,利用两个不同配置参数的深度卷积网络分别提取遥感影像的影像特征和语义特征,再利用反向传播算法针对提取出的两类特征学习出深度网络中的各项参数并生成遥感影像的二进制哈希码,生成的二进制哈希码之间能够有效保持原始高维遥感影像的相似性。将本方法在文中构建的高分二号、谷歌地球遥感影像数据集及CIFAR-10、FLICKR-25K和MS-COCO三个公开权威图像数据集上对多种评估方案进行实验验证。实验结果表明,本方法在高分二号、谷歌地球遥感影像数据集上,当编码位数为64时,相对于深度成对监督哈希方法(Deep Supervised Hashing with Pairwise Labels,DPSH),平均精度均值(mean average precision,mAP)指标提高了约2%;在CIFAR-10数据集上,当编码位数为64时,相对于DPSH方法,mAP指标提高了6～7%;在FLICKR-25K数据集上,当编码位数为64时,相对于DPSH方法,mAP指标提高了约0.6%。(3)针对目前大规模遥感影像数据集训练低效问题,提出了一种面向查询点进行学习训练的遥感影像检索方法。首先,利用深度卷积网络对具有语义标签的遥感影像数据训练集提取遥感影像特征;然后,针对查询点进行学习得到哈希函数并利用学习出的哈希函数生成查询点的二进制哈希码;最后,通过迭代学习得到整个数据库的二进制哈希码来实现影像检索,有利于提高检索精度;同时,该方法避免了对整个数据库进行特征提取,从而可以更有效地利用大规模数据库中的监督信息。将本方法在同样四个图像数据集上对多种评估方案进行实验验证。实验结果表明,本方法在高分二号、谷歌地球遥感影像数据集上,当编码位数为64时,相对于DPSH方法,平均精度均值提高了约11%;在CIFAR-10数据集上,当编码位数为64时,相对于DPSH方法,平均精度均值提高了约15%;在FLICKR-25K数据集上,当编码位数为64时,相对于DPSH方法,平均精度均值提高了约7%。