随着计算机技术、多媒体存储技术的发展,人们的生活中充斥着海量多媒体数据,这些多媒体数据包括图像、文本、语音、视频等不同的模态。面对海量多模态数据,如何快速、有效的从中检索出感兴趣信息,是一项亟待解决的重要问题。单模态检索与跨模态检索是解决多模态数据检索的重要研究方向。哈希技术因其低存储消耗、高检索速度成为海量数据检索的研究热点,在单模态与跨模态检索研究领域得到广泛的研究与发展。本文研究单模态与跨模态检索哈希技术,通过分析现有单模态与跨模态检索哈希技术的不足,提出新模型、新方法。现有单模态检索哈希方法大多关注相似性学习或者量化误差最小化,很少有直接针对特征判别性的研究。针对特征判别性,本文分别从传统浅层方法与最近大热的深度学习方法出发,提出浅层的基于仿射变换的离散图哈希模型及深层的基于判别几何结构的深度非对称哈希模型。跨模态检索的难点在于如何弥补不同模态间的“语义鸿沟”,为解决该问题,本文分别从共同空间学习、标签指导及模态数据语义一致性三个层面提出协同子空间图哈希、标签指导相关哈希及跨模态样本-类语义一致哈希。多个公开数据集上的数值实验结果验证了本文所提方法与最相关方法相比的优越性与有效性。本文创新点如下:（1）提出一种基于仿射变换的离散图哈希方法,该方法使用联合学习策略,使图嵌入与哈希码的学习过程相互反馈、相互促进;引入仿射变换,使算法在保持邻域关系的基础上,调整图嵌入的角度及其内部结构以使其更具判别性。三个基准数据集上的图像检索实验证明了ADGH的优越性。（2）提出一种基于判别几何结构的深度非对称哈希方法,该方法定义了一种可解释的几何结构来提高深度实值特征的判别能力,同时以一种新的方式减少深度实值特征与二值哈希码之间的量化误差。四个常用数据集上的图像检索实验证明了DGADH的有效性及优越性。（3）提出协同子空间图哈希方法,该方法通过设计两阶段协同学习框架来实现跨模态检索,这种协同学习的方式充分考虑了多模态特征的多样性及跨模态检索的特征一致性。此外,所提方法分别通过拉普拉斯正则化和图相关约束来保持模态内部的邻域结构及跨模态数据的相关性。四个常用数据集上的跨模态检索实验证明了CSGH的有效性。（4）为将标签信息引入到哈希码及哈希函数学习过程中,提出一种标签指导相关哈希方法。该方法从以下两方面提出新的标签信息利用方式:1)使用标签指导学习模态通用的判别性共同隐表示;2)引入一种自适应参数来有效融合共同隐表示和标签指导表示,基于融合表示生成哈希码、训练哈希函数,从而将标签信息引入哈希码与哈希函数的学习过程。三个不同多媒体数据集上的跨模态检索实验表明,LGCH算法的检索性能优于当前表现较好的方法。（5）引入样本-类间的相似性关系,提出跨模态样本-类语义一致哈希模型,该模型通过计算样本与类之间的相似性来保持样本哈希码与类特征的语义一致性,可节省计算开销。此外,所提模型通过保持不同模态样本、类特征、共享哈希码间的语义关系,沟通不同模态间的语义鸿沟,保持模态数据语义一致性。三个常用数据集上的跨模态检索实验证明了CSSH与其他方法相比的优越性。