在海量且多样化的数据充斥人们生活、工作、学习等方方面面的今天,如何在繁杂庞大的数据中高效、有效的检索到目标数据成为了检索研究方向一个亟待解决的重要问题。哈希检索因其检索上准确、快速的优点引起了大量关注。研究证明,在实际检索应用中有监督哈希方法要比无监督哈希方法的效果更好。时至今日,尽管有监督跨模态哈希技术已经有了不小的进展,但是仍然存在着一些问题需要解决。例如,大部分有监督哈希方法为了获取模态相似性使用了成对相似性矩阵,但会使得计算复杂度增加,存储成本消耗巨大;有一些哈希方法,为了学习不同模态之间的相似性,强制将模态信息映射到同一潜在语义空间内,而疏忽了模态原本所带有的信息,造成了语义信息的缺失,从而存在检索成本高、准确度不高的问题。针对这些问题我们开展了一些研究:本文的主要研究内容如下:（1）使用两步哈希方法分步骤学习哈希码和哈希函数,使得整个哈希学习过程更加灵活。为了能够学习到更丰富的公共潜在子空间,并降低检索速度,我们利用距离-距离差异最小化问题将包含了原始模态信息和标签信息之间的丰富语义特征嵌入子空间中。通过避免使用较大规模的成对相似性矩阵,减少时间和计算复杂性,在提升准确度的同时也能提升检索速度。（2）能在对哈希码放松约束的情况下仍然生成有效哈希码。由于生成哈希码是离散的,对其施加一些条件约束后变得难以求解,我们通过对潜在子空间施加约束,使其逼近于哈希码。（3）使用多个子空间学习不同模态的相似性和模态的特有信息,为保证不同模态数据之间的相似性,同时保持不同模态的特有信息,我们利用多个子空间去学习不同模态的信息,使得所学的多个子空间保持了原有模态的结构特征。经过实验对比进一步验证了方法的有效性和准确度。本文提出的两种方法与目前跨模态哈希检索方面的流行基准方法进行对比,实验结果证明本文提出的方法性能优于目前的基准方法。