在多媒体检索中,基于哈希的相似检索是一种非常有效的跨模检索方法,已经得到了广泛的关注。跨模检索的核心问题就是怎样在多模态数据的不同特征表示之间构建相关性。跨模检索(Cross-Modal Retrieval)的目标是为了可以在不同模态数据之间进行检索。跨模哈希(Cross-Modal Hashing)是将不同模态的数据映射到同一个低维度的Hamming空间中。由于不同维度的多媒体的数据特征表示都最终转化成了相同维度下的二进制表示,因此跨模哈希可以实现不同模态数据之间的高效检索。类似于典型相关分析(CCA),大多数现有的跨模哈希多媒体检索方法是为了用来实现来自相同模态或者相同视角内的数据之间的检索,它们通过线性映射将不同模态的数据特征映射到一个共同的抽象空间中。但是,这种方法不能很好地消除不同模态数据间的语义鸿沟,而提取到更高级别的语义信息可以更加有利于检索。为了解决这个问题,本文中,提出了一种新的检索方法,稀疏编码哈希,同时对该检索方法进行实验论证,并得出了相应的实验结果。主要内容如下：通过使用稀疏编码哈希来进行跨模多媒体检索,首先使用稀疏编码来获取图像与文本的显著特征和潜在语义概念,然后将学习到的潜在语义特征映射到共同的抽象空间,再通过迭代机制,找到多模态数据特征表示间的相关性,最后通过更高级别抽象空间的量化得到统一的哈希编码。同时,本文通过结合SLEP(有效映射稀疏学习)和拉格朗日对偶来求解目标函数,将一个含有五个矩阵变量的非凸性的优化问题转化为只含有四个矩阵变量的凸性问题,这样目标函数的优化问题就可以通过一步一步的迭代直到目标函数收敛。为了验证本算法的有效性,本文选择了Wiki数据集和NUS-WIDE数据集进行了实验,实验结果表明,在Wiki数据集和NUS-WIDE数据集中该算法显示出了它的优越性和稳定的性能。