随着信息技术时代的来临，人们每天都在互联网上产生着海量的信息。如何对信息进行检索，从而在海量的信息中快速找到对自己有用的信息，就变得十分重要。基于这样的需求，搜索引擎在过去的十年间取得了巨大的成功，同时数据分析与挖掘技术也得到了广泛的关注。相似最近邻搜索是数据分析与挖掘领域的一个基本问题。为了能够在大数据集上高效地进行相似最近邻搜索，并且避免数据维数过高时所产生的一些问题，人们利用哈希算法将高维的特征向量转换为低维的二进制编码。随着近几年机器学习的广泛发展，人们开始尝试提出基于机器学习的哈希算法。在本文中，我们对现有的哈希算法做了系统的回顾和分析。在学习的过程中，我们发现了其中存在的一些问题和可以改进的地方。基于此，我们提出了一种全新的基于隐变量模型的监督式哈希算法。实验结果表明，我们的算法在准确率和时间花费上与现有的算法相比都有很大的改善。我们进一步利用基于哈希算法的k最近邻回归实现了一个针对FML网站的自动评审系统。该系统从网页中提取每个帖子的原始信息，利用自然语言处理工具对这些原始信息进行加工，并从中抽取出可以表示帖子内容的特征向量。基于采集到的训练数据，该系统能够自动地对网站上帖子内容的评分做预测，从而达到自动评审的目的。此外，在实验的过程中，我们设计搭建了一个通用的平台，可以十分方便地在其上添加各种哈希算法。该平台支持使用多种标准评价方法对算法的性能做对比。我们在这个实验平台上移植了目前已有的大部分算法，并实现了自己提出的全新算法，并通过大量的实验对它们的性能做了系统的比较。