哈希编码已经广泛应用于图像检索领域。近年来,许多基于深度学习的哈希方法被提出,并且和传统基于特征学习的方法相比有很大的性能提升。给定一个带有语义标注(比如类别标签)的图像集,哈希方法希望学习生成有效且紧致的二值编码。然而,在实际应用中,标注大量数据是非常困难的,且无法满足实时性需求。对于标注数据集中未出现过的类别的图像,现有的哈希方法难以取得很好的检索结果。如何将在已有标注的数据集学到的哈希函数迁移到未知类别的数据上(也称为零样本哈希),成为目前哈希检索领域一个热点问题。据我们所知,已有的零样本哈希方法都是针对单标签图像设计的,在多标签图像上进行零样本哈希,还没有相关的研究工作。相比于单标签图像,多标签图像具有更加丰富的语义信息,使得在多标签图像上研究零样本哈希问题变得更加复杂和困难。主要的挑战有两点:(1)如何建立连接通道,将在已知类别的数据集学到的知识迁移到未知类别数据集上;(2)如何解决已知类别和未知类别数据之间的域偏移问题。为了解决多标签图像的零样本哈希问题,本文创新性地提出了一种转导式的零样本深度哈希方法(T-MLZSH)。首先,我们借助从大规模文本库中学习到的词嵌入,在已有数据集上通过学习视觉-语义的一致性排序关系构建视觉和语义之间的桥梁。然后我们利用这种视觉-语义之间的桥梁对未知类别的数据集预测标签,将已知类别的数据集学到的知识迁移到未知类别数据集。在已有标注的数据集和得到预测标签的数据集上,我们可以有监督地学习哈希编码。此外,针对多标签图像数据集,我们设计一种量化的实例相似度用于指导哈希模型学习到更细致的相似关系。在多个数据集上,本文提出的方法和已有方法相比,都取得了最好的检索结果。