随着数字多媒体技术、移动互联网、物联网和云存储的高速发展,各行各业积累的多媒体数据呈现出爆炸式增长趋势,全球已进入多媒体大数据时代。这些庞大的多媒体数据资源蕴含着丰富的经济价值和社会价值,为国民经济与社会发展带来了新的挑战和契机。随着多媒体数据量的迅猛增长,如何对其进行高效的存储、管理和分析,已经成为国内外学术界和工业界高度关注的问题。基于哈希学习的最近邻搜索技术具有索引速度快、占用存储空间小等优势,是解决大规模多媒体数据管理和分析的有效技术手段。现有基于哈希的最近邻搜索方法在处理单一数据类型时比较有效。而在实际应用中,图像、视频、音频、文本等多媒体数据具有样本海量、模态多样、语义互联等独特性质。针对大规模多模异构的多媒体数据,如何设计高效的哈希方法,实现跨模态语义相似性搜索,还有待于深入研究。基于此,论文针对海量多媒体数据,充分考虑其多模异构语义互联特性,分别面向单一模态和多模态两种数据模式,从模态内高层语义相似性搜索、模态间底层特征相似性搜索和模态间高层语义相似性搜索三个层次,较系统地研究了基于哈希的最近邻搜索问题。主要的研究内容概括如下:1.在单模态数据语义相似性搜索方面,提出一种保持约束信息的半监督哈希方法。在现有的半监督单模态哈希方法中,原始数据的低维表示系数可以较好地保持数据间的约束关系,但当将低维表示系数量化为哈希码时,较大的量化误差会影响哈希码间语义约束关系的保持。针对此问题,本文提出一种保持约束信息的半监督哈希方法。首先将数据用聚类中心表示,从而保持原始数据间的近邻结构;其次,通过最大化判别性汉明距离和方差,将数据投影到一个低维判别子空间中,使投影系数保持数据间的语义约束关系;最后,对投影系数进行最优量化,使哈希码在保持语义约束关系的同时具有较小的量化误差。实验结果表明,该方法产生的哈希码可以较好地保持原始数据间的语义约束关系,较现有方法具有更高的搜索精度。2.在多模态数据底层特征相似性搜索方面,提出一种基于语义主题的无监督多模态哈希方法。大多数现有的无监督多模态哈希方法首先将不同模态数据映射到低维子空间中,然后对连续的低维表示系数进行量化得到哈希编码。这种先松弛再量化的优化策略忽视了哈希编码的固有离散特性,具有较大的量化误差,影响了搜索精度。鉴于此,本文提出基于语义主题的无监督多模态哈希方法,通过快速有效地挖掘图像和文本数据中的隐含主题,并根据主题和数据的包含关系得到离散哈希编码,避免了松弛策略带来的量化误差问题。在标准数据库上的跨模态最近邻搜索实验表明,该方法较现有方法具有训练时间短、检索精度高的优势。3.在多模态数据高层语义相似性搜索方面,提出一种基于类标一致矩阵分解的有监督多模态哈希方法。现有的有监督多模态哈希方法大多通过构建数据间的成对相似关系学习哈希编码。然而,在大规模数据集上构建成对相似矩阵具有训练样本数平方级的存储和计算开销,从而导致这些方法不能有效处理大规模数据。同时,将类标转换为成对相似关系失去了数据的类别信息,影响同类数据哈希码间相似性的保持。针对上述问题,本文直接利用训练数据的类标信息指导哈希的学习过程,提出基于类标一致矩阵分解的有监督多模态哈希方法。考虑到不同模态的数据具有语义关联,该方法将多模态数据映射到潜在语义空间,并且保证相同类标的数据,在语义空间中具有相同的表示系数。因此,通过对表示系数进行量化得到的哈希编码和原始数据的类标具有一致性关系,从而在跨模态语义相似性搜索任务中具有更高的精度。标准数据集上的大量对比实验结果表明,该方法较现有方法具有更好的性能。4.在多模态数据高层语义相似性搜索方面,进一步提出多模态判别式二值嵌入方法提高搜索精度。已有的有监督多模态哈希方法在哈希学习过程中忽略了哈希编码的判别性,导致不同类别数据的哈希码不容易被区分,从而影响了搜索精度。针对此问题,本文提出多模态判别式二值嵌入方法。首先,将哈希码的学习问题表示成分类问题,保证哈希函数产生的哈希码具有良好的可区分性。其次,根据类标信息挖掘多模态数据中的内在结构信息。最后,让哈希编码保持数据间的内在结构信息,从而使同类数据的哈希码相似。因此,该方法增强了哈希编码的判别性能,进一步提高了有监督多模态哈希方法的搜索精度。大量实验结果表明,该方法在大规模跨模态最近邻搜索任务中,具有较高的精确率和良好的计算效率。综上,本文从模态内高层语义相似性搜索、模态间底层特征相似性搜索和模态间高层语义相似性搜索三个方面,提出四种不同的哈希算法,用于提升基于哈希的最近邻搜索的准确性和效率。理论分析和大量实验结果表明了所提出方法的可行性和相对于已有方法的优越性。