由于互联网上的多媒体数据爆炸式增长,人们对于能够方便快捷地检索多模态数据的需求日益增强,跨模态检索已经成为当前的研究热点。为了满足实际应用中低存储成本和高查询速度的要求,哈希技术在跨模态检索领域备受关注,它将高维多模态数据映射到公共的汉明空间进行模态间地相互检索。本文主要研究使用深度神经网络将多模态数据投影到公共的汉明空间,从减小编码误差、挖掘多模态数据的语义信息和缩小跨模态数据之间的差异性三个角度出发,使得使用图像检索文本或使用文本检索图像的效果更加优异。为了实现更加优秀的跨模态检索效果,本文提出了如下三种基于深度学习的哈希跨模态检索技术:1.为了减小编码误差,提出一种基于深度排序哈希的跨模态检索方法(Deep Rankingbased Hashing for Cross-Modal Retrieval,DRH)。该方法使用深度神经网络将特征学习与哈希码学习融合到一个端到端的框架,使用成对损失缩小不同模态之间的语义鸿沟。在编码函数方面,该方法使用基于排序的编码函数降低编码误差,同时使用Adaboost方法减少哈希码之间的冗余。2.为了深入挖掘跨模态数据的语义信息,提出一种基于深度三元组哈希的跨模态检索方法(Deep Triplet-based Hashing for Cross-Modal Retrieval,DTH)。该方法使用三元组标签将三个实例之间的相对关系转化为监督信息充分探究模态内及模态间的相对相似关系,并使用正则解决哈希码不连续的问题同时最大化哈希码所包含的信息。3.为了降低跨模态数据的异质性差异,提出一种基于生成式对抗网络哈希的跨模态检索算法(Generative Adversarial Networks for Cross-Modal Hashing,GANCMH)。该方法通过生成式对抗网络对多模态数据的联合分布进行建模,模态内的生成模型和判别模型挖掘模态内部的语义信息,而模态间的生成模型和判别模型学习多模态数据在汉明空间的公共表示。模态间和模态内的生成模型和判别模型相互博弈,促进跨模态数据的相关性学习。本文在MIRFlickr-25K、Wiki和NUS-WIDE-10K三个跨模态数据集上进行了图文互检实验,结果表明本文所提的三种算法在相同的实验设置下与其它五种流行的哈希跨模态算法相比具有一定的优越性、有效性和可行性。