随着互联网技术的不断成熟以及社交软件的大规模普及,社交网络中所产生的应用数据也呈现几何式的增长。面对海量的数据,如何快速准确的实现不同模态下样本数据之间的相互检索一直是不少学者关注的热点问题。跨模态哈希(Cross-Modal Hashing)将多模态数据编码为二进制的形式,具有检索速度快,存储量小的优势,在大规模多媒体数据检索问题上得到了广泛的应用。本文主要对核方法在跨模态哈希问题上的应用展开了研究,提出了两种基于核方法的跨模态哈希检索算法,并在Wiki和NUS-WIDE数据集上进行了实验,验证了所提出算法的有效性。本文的主要工作内容如下:1.提出一种基于语义相关性最大化的多核跨模哈希算法。首先利用多个核函数将原始空间特征映射到核空间中,然后通过语义相关最大化学习相应的哈希函数,在哈希函数的学习过程中采用了序列学习的方法,从而降低了目标函数中正交约束对编码区分性的影响。最终通过学习得到的哈希函数生成各个模态下对应的哈希编码。2.提出一种基于核矩阵分解的跨模哈希算法。首先利用核函数将原始空间特征映射到核空间中,利用协同矩阵分解技术学习不同模态之间的共享语义特征。然后,利用学习得到的语义特征结合相似性矩阵作为标签,学习各模态的样本数据的线性分类器。最后,将分类器的参数矩阵作为哈希函数的映射矩阵学习哈希函数,从而得到不同模态下哈希编码。