近年来,哈希因其存储空间小,检索速度快的优点,已经逐渐成为大规模图像检索领域广泛采用的技术。哈希方法的本质是将原始空间中的高维数据映射成汉明空间中的低维二值哈希码。哈希码具有很高的存储和匹配效率,使得大规模图像任务得到高效的完成。多特征融合哈希方法通过多特征的融合可以显著提高哈希检索的精度,然而,现有的多特征融合哈希方法仍然存在一些亟待解决的问题:一、多特征融合哈希需要考虑多个特征之间的互补性,这对哈希码的检索性能至关重要,但是传统方法利用固定权重融合多个特征,这需要额外增加一个超参数来平衡正则化项,然而当语义标签未知的时候,超参数的调整过程将耗费巨大的人力。二、对多特征图像数据进行语义标注是耗时耗力的,特别是对于大规模数据集来说,获取数据集中所有数据的标签信息更是难上加难。三、现有的多特征融合哈希方法要么采用松弛的方法求解哈希码,要么采用坐标梯度下降方法求解哈希码。松弛解法虽然简化了优化问题,但是会造成重要的信息量化损失。离散梯度下降可以直接求解离散哈希码,但是优化过程慢,不能快速处理大规模数据。针对以上问题,本文研究基于多特征融合哈希的大规模图像检索方法,主要内容如下:(1)本文提出了一种融合权重自适应的多特征哈希方法,该模型设计了一个统一的学习框架,快速自适应的融合多个图像特征,从而能够有效的进行大规模图像检索。具体来说,该方法首先利用神经网络提取图像的深度特征表示,然后通过设计一个自适应权重项,将多个特征进行有效的融合,提高大规模图像检索中哈希码优化的速度和精度。在公开的数据集上进行的大量实验证明,所提方法与最新的相关技术相比,具有更好的性能。(2)本文提出了一种快速半监督多特征哈希方法,只需要对训练数据进行部分的标记就能完成检索任务。具体来说,该方法在获得深度特征表示后,首先对有标记和无标记的数据进行非线性变换,保留样本间的相似性,然后对于有标记的数据,利用非对称监督学习,学习更有判别能力的哈希码,最终结合有标记数据和无标记数据学习哈希函数。多个公共数据集上的实验结果证明了所提出方法的优越性。