在如今数字信息时代,文字、图像、视频、音频等多媒体数据充斥整个互联网。如何有效管理、分析这些数据具有一定挑战性,这是因为多媒体数据是异质的,即它们的属性、特点皆异。这促进单类型数据（单模）和多类型数据（跨模态和多模态）分析处理技术的出现和快速发展。其中,检索技术是一类典型数据分析处理技术。近期基于哈希方法的单模态或跨模态检索技术成为该图像-文本领域的主流研究内容。单模态检索中查询数据与数据库中的数据属于相同的模态,而跨模态检索是指从包含除查询数据模态之外还有其他模态的数据库中检索出相关信息。哈希方法能够高维度数据映射到低维度的汉明空间中,具有存储消耗小、计算高效等优点。为适应当今社会对大规模数据的检索需求,基于哈希方法的检索技术受到广泛关注。尽管现有检索技术蓬勃发展,但它们仍存在一定局限性。在单模态哈希检索中,保证鲁棒性仍然存在两类的困难:1)鲁棒性度量,如M估计子,假设噪音服从特定分布,无法直接应用于离散哈希码;2)直接去除原始数据噪音很容易损害数据邻域结构。此外,跨模态哈希检索仍然面临“语义鸿沟”问题,特别是在有监督情况下,模态间语义表达和标签语义结构并不能保证是一致的。为了解决上述两类问题,本文主要工作为:1)为增强哈希码对数据噪音的鲁棒性,本文提出了一种单模态哈希检索技术,即对偶图正则鲁棒哈希方法（dual–graph regularized robust hashing,DGRH）。不同于现有鲁棒哈希方法,该方法直接使用M-估计子去除数据集中的异常值来保证哈希码的鲁棒性。具体来说,DGRH期望通过l1范数从含有噪音的数据中恢复原始数据的低秩表达,同时利用对偶图正则来保留样本之间的近邻关系,最终利用恢复的干净数据来学习哈希函数。此外,本文通过理论分析证明了哈希码的鲁棒性,实验结果也证明DGRH在三个常用的基准数据集上可以取得较好的效果。2)为了缩小跨模态检索方法中的“语义鸿沟”,本文提出了一种跨模态哈希检索技术,即基于语义一致性的跨模态哈希方法（semantic-consistent cross-modal hashing,SCCH）。该方法利用标签信息的监督性,将显式的语义标签嵌入到公共的潜在空间中,以此来保证学到的潜在语义表达和标签具有相同的语义一致性。为了保持样本一致性和类语义一致性,SCCH将样本的每个模态数据都映射到相同的潜在公共子空间中,对每个模态学习一个单独的哈希函数,并通过旋转变换使类潜在语义表达和样本哈希码潜在表示在语义表达上是一致的。为了减小了由于将实数值近似表达二值码而产生的量化误差,SCCH通过一个旋转矩阵将公共的潜在语义表示映射到哈希空间,进而直接学习得到哈希码。此外,本文使用了一种高效的迭代优化算法对SCCH模型进行了求解。实验表明,相比较其他具有代表性的方法,SCCH在两个常用的多模态数据集上具有优越性。