在大数据环境下,图像数据与日俱增,提供一种快速相似性检索和紧凑存储的算法变得至关重要。哈希算法由于具有较高的检索效率与较低的计算成本,已被成功地应用在大规模图像检索领域中。大多数现有的哈希算法都假设用于图像检索的数据库固定不变,而实际的数据环境通常是动态变化的。因此,静态的哈希算法往往难以适应动态数据的变化,导致其图像检索能力的不断下降。在动态环境下,添加到数据库中的新图像可能与之前数据库的数据分布大不相同,导致数据库的数据分布发生改变,即出现概念漂移问题。目前已有少量在线哈希算法被提出,以适应动态数据的变化。但是,这些算法依然假设新出现的数据服从某种固定分布,没有考虑到动态数据环境中发生概念漂移的场景。增量哈希算法(ICH)是一种针对动态数据环境中发生概念漂移问题的有效图像检索方法。其思想是通过最新一批数据训练新的哈希表,根据最新数据对多个哈希表进行加权来动态更新哈希表权重,以适应数据环境的变化。但是,ICH算法使用最新数据中的所有图像来训练新的哈希表可能造成不必要的浪费,因为新出现数据中并不是所有数据都是对新哈希表训练有用的,甚至可能有部分数据重复。本文针对目前动态哈希算法所存在的不足,从不同的角度提出了两种基于样本选择的增量哈希算法,以更有效地处理动态数据环境下的图像检索问题。本文所提出算法的主要思想是从新旧图像数据集中为每个类别选择出具有数据库分布信息的代表性样本来训练新的哈希函数,使用多个哈希表来保留不同时刻图像之间的相似度信息,并根据最新的动态数据环境自适应地更新哈希表及其相应的权重。对于查询图像,通过对多个哈希表的图像检索结果进行加权重排序来呈现检索结果。通过三个真实图像数据集模拟出多种不同的动态数据场景,实验结果表明本文提出的两种算法在动态数据环境的图像检索能力均优于主流的哈希算法。