随着网络上图像数据的日益增多,对图像中最近邻的搜索需求也日益增多。而图像哈希在该方面因为计算速度快、存储空间少等优势被广泛重视,因而涌现了很多优秀的算法。但是,这些算法中仍然存在着一些问题需要解决。首先,传统无数据依赖哈希方法通用性强、运行速度快,但是在结果准确率上却不占优势。然后,现在普遍使用的基于卷积神经网络的图像哈希算法虽然准确率高,但是需要训练专门的哈希生成网络,训练时间和存储空间需求大。再者,很多使用神经网络的图像哈希算法往往不能确定将何种信息编码进了哈希码中,编码具有很大的语义不可控性。对于上述问题,深度分段哈希算法给出了对应解决方案。首先,针对传统哈希方法准确率低的问题,算法将图像特征提取任务交给了卷积神经网络,但是对特征的处理上使用传统图像处理方法,既保留了准确率又保留了计算速度。然后,对于卷积神经网络训练时间和空间需求大的问题,算法所需网络直接采用分类神经网络,不需要针对哈希算法专门训练网络,实现了网络模型的共用,从共用角度减少了网络训练时间和存储空间。最后,关于哈希编码的语义不可控性问题,算法采用分段的策略,将整体哈希码按照不同语义分段编码,利用分类神经网络和显著性算法分别将图像的类别、特征和空间信息编入到图像哈希码中,实现了哈希码的语义管理。经过在三个公共数据集MNIST、CIFAR-10和AwA数据集中进行算法实现,证明本文中所提出的算法在准确率(precision)和平均准确率(mean average precision,MAP)上都达到了很好的效果。