移动互联网技术的迅猛发展和社交媒体的大规模普及,使得图像、文本、视频等多媒体数据呈现爆炸式增长,同时带来了大量基于检索的应用需求。以图像检索和跨模态检索为代表的多媒体检索,即,从海量数据中搜索与给定查询相关的数据,获得了广泛的研究和关注。多媒体数据之间的异构性差异、语义鸿沟,以及海量高维产生的高计算代价是实现高效准确多媒体检索的主要挑战。深度哈希方法通过将表示学习和哈希学习统一到深度模型,端到端地学习不同模态高维数据语义相似度保持的比特编码,能够有效解决上述挑战,成为多媒体检索的主流方法。然而,面对数据内容愈加丰富、检索需求愈加复杂的应用场景,现有深度哈希方法在哈希编码紧凑性需求同信息保持的平衡、多标签数据的多层相似度保持和准确查询意图捕获、采用传统跨模态学习机制在处理两种模态以上非对齐跨模态数据和模态种类不断增长的跨模态数据的学习方面存在诸多问题。为此,本文针对上述四个问题,展开对基于深度哈希的多媒体检索研究。本文的主要工作和创新点总结如下:（1）针对紧凑哈希编码仅保持全局信息丢失重要局部信息的问题提出一种用于图像检索的层次深度哈希方法。该方法将现有的单层哈希编码策略扩展为两层编码策略,第一层对包含更多局部信息的卷积特征进行编码,第二层则通过压缩第一层特征获取更紧凑的全局编码,以提高哈希编码的表达力。此外,提出基于注意力机制的方法选择查询图像第一层编码中的必要编码位,避免使用完整编码以降低计算代价,为了加快该过程,进一步提出了基于特征相关性分析的快速版本。最后,结合两层哈希编码提出层次化搜索方法实现更快速准确的检索。实验结果表明,该方法可以有效地学习到全局和局部语义信息保持的哈希编码,并且分层搜索可以显著提升单层哈希码的检索性能。（2）针对多标签图像检索中的查询意图模糊和多级语义相似度保持哈希学习问题,提出一种深度编码操作哈希方法。该方法允许用户提供多张图像作为查询,更加准确的表达查询意图。同时,通过在语义上对这些查询图像的哈希码进行操作发掘潜在的查询意图,实现更准确的检索。此外,通过建立汉明距离和语义相似性的线性关系提出间隔自适应三元组损失用于联合优化哈希编码网络和编码操作网络,实现多级语义相似度保持的哈希编码学习。为了进一步提高编码操作的质量,提出利用对抗学习方法缩小原始哈希编码和操作后哈希编码间的分布差异。实验结果证明该算法能够有效学习保持多级语义相似度的哈希编码,编码操作能够实现多查询图像的检索任务。（3）针对传统跨模态学习机制无法充分利用两种模态以上非对齐跨模态数据的互补信息进行有效学习的问题,提出一种跨模态记忆网络模型。该模型通过注意力机制学习读取预存储互补的多模态判别性数据实现对跨模态数据的有效表示。同时,利用语义信息进行跨模态相似度的学习,避免了训练时对对齐多模态数据的依赖。此外,提出在对抗学习框架下利用多模态数据的模态类别信息来提高公共表示的质量,这些表示最终被哈希层编码提高检索效率。在四个图像-文本模态数据集和一个五模态数据集上的实验结果证明该算法能够学习到跨模态数据语义相似度保持的哈希编码,并且能够获得最优的检索性能。（4）针对传统跨模态学习机制无法有效处理模态种类不断增长的跨模态检索问题,提出了符合人脑认知机制的顺序跨模态表示学习算法。该算法通过维护一个统一模型,按模态顺序地学习各模态数据语义信息保持的公共哈希编码表示,有效地克服了现有跨模态检索算法在实际应用中的缺陷。此外,为了解决深度模型在顺序学习时面临的灾难性遗忘问题,提出了基于优化的元学习算法。该算法通过在有限的旧模态和新模态数据上学习更新统一模型,可以有效地在新模态数据上优化统一模型并保持其在旧模态数据上的性能。大量实验结果证明,该算法能够有效地学习跨模态数据语义保持的哈希编码,并获得同现有算法相当的检索性能。