由于因特网和智能终端的普及，人们所面对的数据通常具有海量高维的特征，在大规模数据集里进行快速的相似性搜索有着很重要的应用价值。基于哈希的搜索算法可以把高维的数据映射到低维的二进制编码，在保留原始空间近邻关系的同时提高了计算效率，并且极大地减少了存储空间的占用，因而，基于哈希的相似性搜索技术已广泛应用于机器学习、计算机视觉和多媒体等领域。　　本文提出了基于锚图哈希的半监督度量学习算法（Semi-supervised Metric Learning Based Anchor Graph Hashing，MLAGH），学习最优的距离度量以保留图片的语义和特征相似性，并在此基础上利用锚哈希技术把相似的图片映射成相似的二进制码元，以便于图片检索。具体学习过程包括：首先，在特征空间中构建图片的相似图，应用分簇算法在相似图中抽样出锚点，并获得样本和锚点的三元组关系。然后，利用样本和锚点的标记平滑性假设和三元组在特征空间中的距离限制构建目标函数，采用随机梯度下降法最小化目标函数以得到最优的距离度量。更进一步，引入惩罚因子减少随机梯度下降的迭代次数以减少算法的时间开销，提高算法的运行效率。最后，在两个公共的大规模图片数据集中进行图片检索实验，并和常用的哈希算法进行性能对比分析，从而验证了本文提出算法在检索的精度和时间开销方面的优越性。