随着5G、大数据技术、产业互联网等新一代信息技术的蓬勃发展,预计到2035年全球商标数据数量将达到6500万件,商标数量的剧增所附带的结构复杂的、种类繁多的、ZB量级的图像数据,无疑对商标审核查新的精度和效率要求更加严峻。如何在海量的商标数据库中快速精确地搜索到近似易混淆的商标图片愈发重要,因此商标检索成为了目前保护用户权益和保证商标专有权中必不可少的技术之一。目前最先进的哈希方法之一是利用深度神经网络,特别是卷积神经网络（CNN）来获取图像哈希码,实现快速的图像检索。但是CNN不能很好地处理歧义,大量信息丢失在池化层导致CNN无法学习商标图像的空间层次结构;此外基于卷积神经网络的商标检索方法难以处理海量高维的近邻特征图搜索。同时,现有的成对/三元组商标哈希检索方法无法协调数据不平衡和提升准确率的矛盾,存在无法捕获商标全局语义关系的不足。本文根据商标本身的特征,并对比了现有商标图像检索方法在处理商标图像时底层算法设计上存在的局限性,通过在传统图像哈希检索的基础上加以改进,对其经典算法进行深入改良,结合胶囊网络技术在提取深度语义特征方面的优势,设计出一种以深度哈希学习框架为基础的能够快速处理相对空间结构敏感和具有不平衡性的图像检索算法,主要工作内容及创新如下:1)鉴于胶囊网络算法在深度语义表征学习方面强大的能力,针对传统卷积神经网络因缺乏考虑商标元素部件其相对空间位置的提取,而无法满足细粒度商标的精确检索要求,本文以胶囊网络为框架,提出了基于扩展胶囊网络的商标检索方法,从底层算法机制上对商标元素部件其空间层次信息的特征提取进行补全设计,旨在捕获商标元素部件空间层次关系这一关键的特征信息,以进一步增强网络对商标图像表征能力,提升商标检索任务的精确性。在MNIST-10、CIFAR-10、Flicker Logos-32和Drink Logos-50四个数据集上进行对比实验,与其他经典的深度卷积网络和原始胶囊网络相比,本文方法通过对商标图像元素部件的相对空间关系的特征提取补全,能够进一步提升商标检索任务的精确度。2)基于商标图像检索的索引匹配架构层面上分析,结合哈希检索方法的低存储和高效率的天然优势,针对传统哈希方法在提升检索准确率的过程中,缺乏考虑数据不平衡特性的问题,因此,本文引入哈希聚合簇心的概念,提出了基于聚合相似度深度哈希的商标检索方法,通过预设商标聚合簇心,旨在使得检索模型能够捕获商标图像的全局语义关系。同时在不改变数据平衡性的情况下,提高网络对数据的区分表达能力,促使商标类内聚合,类间远离。在CIFAR-10、Flicker Logos-32和Drink Logos-50数据集上进行多组对比实验,与其他先进的哈希商标检索方法对比,本文提出的聚合相似度深度哈希网络模型,其通过捕获商标全局语义关系和有效对不平衡商标的处理,从底层逻辑上解决数据不平衡与检索准确率矛盾,进而提升商标检索模型的准确率和检索响应效率。3)鉴于胶囊网络比传统卷积神经网络具有更优的图像表征提取能力和元素部件相对空间位置的敏感特性,以及聚合相似度深度哈希网络的全局表征性能和检索效率高的优良性能,将两者有机结合在一起,形成一种多快好省的新型商标检索网络。因此,本文基于这一理念下,提出了基于胶囊哈希级联融合的商标检索方法,并针对该网络模型封装部件多、参数大的不足,引入了稀疏编码机制,减少哈希位之间编码的冗余性,轻量化模型;同时为级联融合模型设计了新的融合损失函数,使得级联融合模型能够实现分模块动态调整其参数更新,从而提升整体模型的收敛速度。通过在CIFAR-10、Flicker Logos-32和Drink Logos-50数据集上的多组对比进行实验,与其他经典的哈希检索方法对比,本文方法更具科学性与可行性。