随着数码摄像设备如数码相机、智能手机的普及,数码图像数量极速增长,每天数以亿计的照片被上传到互联网。面对海量的图像数据,如何将海量图像数据进行存储以及如何对其进行快速计算,成为了当今图像检索面临的两大难题。基于哈希码学习的图像检索算法,将高维的图像数据用低维的“0”、“1”哈希码表示,大大降低了海量数据对于存储空间的要求。与此同时,利用汉明距离计算哈希码表达的图像特征间的距离,大大提高了图像间相似性计算的效率,让图像实时检索在海量数据中成为了可能。本文将从研究背景、研究目的、相关技术以及国内外研究现状这四个方面对哈希码学习的图像检索方法进行深入的分析研究。凭借哈希算法在海量图像数据检索中表现出的计算高效性和低内存可行性,哈希码技术在图像检索中的应用受到越来越多的国内外学者的关注。但是,在图像检索的学习过程中,离散哈希码同时也受到了离散条件的约束。在离散条件的约束下,哈希码学习的优化问题成为一个难以解决的NP难问题。为了解决这一问题,大量学者选择松弛离散条件,将哈希码松弛到实数域上,再对其进行优化,最后得到一个次优解。近年来,部分学者提出了关于离散哈希码优化的算法。这些算法例如监督离散哈希(Supervised Discrete Hashing)暴力地将所有的哈希码依次迭代更新。这样无选择性、无目的性地更新直接导致了算法训练耗时过长。本文将提出一种自适应离散循环坐标下降的方法,高效地解决离散哈希码优化问题。该算法旨在提高离散哈希码优化的效率,同时保持其原有的性能不变。本文将在图像检索常用数据集:CIFAR-10,NUS-WIDE,MIRFLickr-25k三个数据集上进行该算法与其它鲁棒算法的对比实验。最后结果表明,该算法在学习训练时间的开销上远小于大多数鲁棒算法并且其检索性能与其它鲁棒算法持平,有时甚至优于其它鲁棒算法。