哈希技术由于具有较快的计算速度和较小的存储空间,而在大规模数据检索中被大量应用。多视图信息由于可以提供更全面的信息,可以融合不同视图信息的多视图哈希在检索中具有更好的效果。在实际应用中,随着数据量越来越大,更多的数据都被分散存储在不同的服务器中。传统的多视图哈希方法,在处理分布式数据时,需要先将这些数据集中到一个服务器上,具有较大的运算和通信开销。因此,本文针对分布式多视图数据,提出了监督与无监督两种分布式多视图算法,并设计实现了一个分布式多视图图片检索系统。本文的主要研究内容如下:（1）提出了监督分布式多视图哈希方法（SMv Dis H）。目前没有关于分布式多视图数据的多视图哈希方法,本文首先尝试在分布式场景下对多视图信息进行学习,SMv Dis H通过引入分类器的设计,同时对潜在分子模型进行学习,获得潜在哈希编码。然后引入节点一致性约束降低约束的大小,将模型的优化分解为为几个子问题,这些子问题可以通过使用ADMM方法进行求解。在三个数据集上的实验结果证明了SMv Dis H的检索性能,并且有着更好的检索效率。（2）提出了无监督分布式多视图哈希方法（UMv Dis H）。目前没有针对无监督分布式多视图数据的哈希方法,本文是第一个在分布式环境下,学习无监督多视图数据的哈希算法。UMv Dis H通过矩阵分解技术生成哈希码,通过谱聚类生成聚类标签,并对聚类标签和哈希码施加一致性,提升检索效果。然后通过在不同节点间引入一致性约束假设,对优化问题进行分解,使用ADMM对这些子问题进行优化。在三个数据集和一个超大规模数据集上的的实验结果证明了算法的优越性。（3）设计了一个分布式多视图图像检索系统。利用本文之前提出的两种分布式多视图哈希方法,可以让用户在系统内根据上传的图片,在数据库中检索出相似的图片,该系统可以让用户方便快捷的进行检索和浏览检索结果。