随着信息时代的到来,互联网上的图像数据呈现爆炸性增长,如何在海量的图像中快速、准确地检索到目标图像一直是信息检索领域研究的热点。传统的图像哈希检索方法将图像特征映射到汉明空间,可以显著降低特征的维度及检索开销,但是由于传统哈希方法提取的手工特征注重图像的视觉相似性而不是语义相似性,所以限制了检索效果的提升。近年来,由于深度学习在计算机视觉领域取得了巨大成功,因此基于深度学习的图像哈希检索方法逐渐成为图像检索领域的主要研究目标。基于深度学习的图像哈希检索方法通常采用端到端的网络模型直接生成二值哈希码,但与此同时带来网络离散空间不可导问题。另外,由于数据集与实际数据存在差异,所以网络的泛化性和鲁棒性有待提高。针对以上问题,本文的具体工作如下:(1)提出一种基于CNN-F的改进网络结构与“松弛”哈希生成函数相结合的图像检索方法,通过松弛二值哈希码到连续的实值空间,使得整个网络可以进行求导并通过反向传播算法进行学习。(2)改进网络的损失函数,通过分类损失和对比损失相结合,对比损失适宜检索任务,而分类损失和加入权重可以在一定程度上降低对比损失带来的正负样本不平衡问题对网络性能的影响。另外,去掉二值约束正则项,避免引入多余的辅助变量和计算。(3)结合以上创新点,设计一个伪孪生网络,在主网络的输入层前加入空间转换网络,使网络能够根据图像内容自适应学习多种变换信息,增加网络的泛化性及鲁棒性,使网络在较少数据集上训练也能获得很好的检索性能,同时采用互学习训练策略,提高网络的训练稳定性和加速网络的收敛。通过在CIFAR-10和NUS-WIDE两个数据集上进行充分的实验验证,结果表明这些创新点使图像检索性能都有一定提升,而结合这些创新点又进一步提高了检索的准确率,例如,在CIFAR-10数据集上,12比特位的哈希码检索的均值平均准确率(mAP)达到了79.8%,已经超过了当前许多顶尖的方法。