21世纪,随着目前的硬件设备、大数据技术等不断发展,网络上除了存在一些专有的图像数据库,人们通过信息交流、电子商务等使得互联网上产生了各种各样的图像数据,而且每天都以十万计甚至是百万计的增长。计算机视觉中的图像检索就面临着如何为大规模的图像数据加上标签,如何方便且快捷地找到用户所需要的图片的问题。在基于内容的图像检索中,传统方法通常是人工为图像数据进行标注,人工标注过程会受到标注者的个人影响,造成图片差异,而且工作量巨大。另外,在检索时通常是根据图片提取的特征进行逐一匹配检索,这种算法的不足在于提取的图片特征维度过高,在大规模图像数据库中,存储这些高维特征将耗费过多空间,检索的速度过慢。而近似最近邻中的哈希算法可以把高维空间中的数据经过哈希函数变换投影到汉明空间成为二进制码,从而达到降低数据维度,减少存储空间的目的,还可以通过汉明距离比较图片相似性以期提高图像检索的效率。另外,深度学习中的生成对抗网络通过训练后可以生成与真实图像相似的伪图像,可以认为它们具有同一标签,就可以用来指导无监督学习。但是,目前基于哈希的图像检索都需要多次训练产生哈希码,基于生成对抗网络的图像检索在解决语义鸿沟,理解图像视觉特征分布上还有较大研究空间,针对这些问题,本文主要工作如下:针对传统无监督哈希图像检索模型中存在图像数据之间的语义信息学习不足,以及哈希编码长度每换一次模型就需重新训练的问题,提出了一种用于大规模图像数据集检索的无监督搜索框架,即基于相关度距离的无监督并行哈希图像检索。首先,使用卷积神经网络学习图像的高维特征连续变量。然后,使用相关度距离衡量特征变量构建伪标签矩阵,并将哈希函数与深度学习结合。最后,在哈希码生成时使用并行方式逐步逼近原始视觉特征,达到一次训练生成多长度哈希码的目的。针对目前使用原始生成对抗模型训练不稳定,小尺寸单标签图像的语义学习不充分等问题,在深度哈希学习中引入注意力机制和生成对抗网络,设计了基于注意力机制和改进GAN的图像检索框架。即二进制注意力生成对抗图像检索模型。首先,构建一个编码器网络,通过加入注意力机制CBAM学习到图片最为关键的特征,然后,构建伪标签矩阵,同时通过哈希层生成哈希码输入到生成器,重建原始图像,最后,通过鉴别器对真假样本进行判别。在对抗学习过程中,提升生成的哈希码质量,从而提高图像检索的性能。为了验证所提出模型在图像检索领域的有效性,本文使用了两个常用的评价指标在公共数据集上进行相关对比实验,表明了模型确实在检索准确率和检索效果等方面有着突出表现。同时通过消融实验发现,本文提出的创新点都能一定程度解决前述问题。因此,本研究提出的图像检索算法与相关解决方案,为无监督大规模图像检索提供参考,具有一定的现实应用价值。