快速准确的检索到用户查询的相似图像,一直是基于内容的图像检索技术追求的终极目标。这项技术也越来越频繁的出现在大家的生活中,如人脸门禁、人脸支付、搜索引擎的图像搜索等。图像检索也从开始使用文本的检索技术过渡到如今基于内容的图像检索技术。基于内容的检索技术也在经历了初级视觉特征、SIFT等经典手工特征之后,越来越多的使用效果更好的基于深度学习提取的图像特征。但随着图像库规模保持数量级的增长,近邻查询时间效率较低的缺点逐渐显露。自然的近似近邻查询技术也被提出并越来越多的使用在图像检索系统中,其中哈希码由于占用存储空间小,检索速度快,成为了关注的焦点。近年来一些研究者将深度学习技术结合哈希技术提出了效果较好的深度哈希方法,这些基于深度哈希的方法也大幅度提高了图像哈希检索的精度。目前基于深度监督哈希的主流方法是利用二元组与三元组构建图像对之间的相似性关系进行训练,如利用二元组的方法DPSH和利用三元组的DTSH等,这些方法只将采样组中的一对或两对进行交互,一方面未能充分发挥监督信息,二也不能充分增大（减少）类间距离（类内距离）。针对上述方法的不足,本文研究了改进方案,并有效提升检索精度。本文的主要工作总结如下:1、提出了基于余弦相似度的多负例哈希算法,上述讲到现在许多基于二元组和三元组的方法只进行一对或两对图像的交互,不能充分利用标签监督信息。本文使用多负例的学习方法,使得每个元组中多对图像对进行交互,保证了标签监督信息的充分使用,更好保持了图像语义关系。在此基础上引入了类Softmax函数作为多图像对交互的损失函数,并采用余弦相似度作为图像间相似度衡量方法,使得网络收敛更加稳定。为了保持图像之间的特征距离,巧妙的在损失函数中加入间隔超参数,同时受益于余弦相似度的使用,间隔超参数的取值也更容易被确定,整体提升了图像哈希检索的精度。2、针对单标签数据集,在基于余弦相似度的基础上,为了进一步增大（减少）类间距离（类内距离）,本文在损失函数中加入类中心损失项。在训练过程中,计算出训练集中每个类中心点,然后在后续的训练中对样本距本类类中心点大的加大惩罚,对距本类类中心点小的减小惩罚。这样更加充分利用标签监督信息,控制图像哈希码的类内距离和类间距离,进一步提升了图像哈希检索精度。最后本文选取经典网络结构Alexnet、Vgg16、Res Net50,并在公开数据集CIFAR-10、NUS-WISE、SVHN进行了大量的验证试验,通过对平均检索精度、精确率-召回曲线、Topk检索精度的对比分析,表明本文提出的算法在检索精度上有较大优势,同时实验分析了一些间隔超参数和多负例采样数目对试验结果的影响,最后对基于余弦相似度的多负例哈希给出了可视化的效果。