随着移动互联网的蓬勃发展,各种网络图像和视频数据量呈现爆发增长,而对应的数据标签信息也越来越难获得。因此如何根据用户的不同需求,在海量的缺乏标签信息的图像数据中高效快速地检索出目标图像是一大挑战。由于图像哈希方法具有图像存储空间极低,计算简单且检索速度快等优点,而深度卷积神经网络可以同时提取到图像的局部特征以及传统算法很难获取的高层语义特征,因此结合深度学习和二值哈希的图像哈希检索方面的研究也受到越来越多的关注,然而其在图像特征融合表达、检索性能等方面仍然未能取得令人满意的结果。鉴于此,本文主要围绕基于深度二值哈希图像检索进行了研究,主要工作如下:（1）提出了结合视觉词袋的SIFT尺度特征与深度卷积特征融合方法。图像检索重要先决步骤是获得有效的图像表征,当前图像特征提取方式主要分为手工特征提取和深度特征提取。手工特征提取包含有SIFT、Bow、LBP等特征方法,而深度特征提取主要是利用深度卷积网络进行提取,目前主流方式是用深度特征完全取代手工特征,但这并不代表手工特征完全没有可取之处,尤其是在缺少标签信息的无监督学习的情况下。本文针对无监督图像检索中图像特征表达能力不足的问题以及端到端的深度特征更多的关注全局特征而对部分情况下局部信息的关注不足,本文通过对这两种方法进行分析研究,提出了结合视觉词袋的SIFT尺度特征与深度卷积特征融合方法,以将这两种特征结合起来,实验表明该方法一定程度上提升了模型的特征表达能力。（2）提出了基于对抗自编码器的无监督深度图像哈希检索方法。当前有监督深度哈希图像检索方法虽然取得了较好的性能,但是其哈希函数学习过程中严重依赖于数据集的标注信息,而现实中大部分数据都非常缺乏标注信息,因此其检索效果难以令人满意。针对这个问题,提出了基于对抗自编码器的无监督深度图像哈希检索方法,模型由编码器、判别器以及解码器组成,为编码器引入连续输出部分来弥补哈希层带来的信息损失,引入判别器使得生成的哈希码更为紧凑。在数据集MNIST、CIFAR-10、COCO-2017的实验均表明本文方法获得了较好的检索性能提升。（3）设计并实现了一个基于二值哈希的图像分布式检索原型系统。整个图像检索系统主要分为原始数据以及哈希编码索引的存储和构建、哈希模型训练、以及目标图像查询三个步骤,面临着如何存储这些海量的数据以及如何高效快速地在这些海量数据中检索出目标图像两大问题,这两个问题严重影响着实验效率和效果。为了在后续的研究工作中更好地对所提出的图像哈希算法和其他改进或者对比算法进行检索性能对比分析,本文设计并实现了一个基于二值哈希的图像分布式检索原型系统。该系统集成了本文提出的图像哈希检索算法以及部分开源算法,用户只需要通过简单的可视化操作就可以进行数据集的导入、模型训练以及检索结果个性化展示,同时系统采用插件式的架构设计,使得用户可以简单的将自己的算法最为插件集成到系统中。实验表明该检索系统能在百万级图像数据库中实现单次检索耗时小于五十毫秒。