近年来,人们可以从网络中获取的图像数据资源急剧增加,为了能够快速、有效地从大量的数据中检索出人们真正需求的图像,图像检索问题受到了重点关注。由于哈希算法具有搜索速度快、减少存储空间占用等优势,越来越多地被研究者们应用到了图像等多媒体数据的相似性搜索问题中。传统的哈希算法通常是先经过人工抽取图像特征这一过程,然后对该过程抽取出的特征向量进行量化生成一串二进制编码。而目前卷积神经网络的兴起使得研究者们开始将其用于解决一系列图像处理领域的问题。鉴于卷积神经网络在特征提取方面的优越性,本文将其与哈希算法相结合进行了研究,用于图像检索。本文的主要工作如下:(1)本文提出了一种基于多任务学习的深度哈希图像检索算法,一方面是将图像的分类标签信息和图像对之间的相似度信息进行结合同时用于模型的训练以更好地保持哈希码之间的语义相似性,并且采用了空间金字塔池化来提取更准确的特征;另一方面为了增加哈希编码的信息量,在训练阶段让哈希编码尽可能地维持均匀分布。同时,本文提出了联合式和分离式这两种不同的训练策略,以不同的方式结合图像分类损失和对比损失。在CIFAR-10和NUS-WIDE这两个数据集上的实验结果表明,本文算法与其他主流哈希算法相比,具有更好的检索效果。(2)针对空间金字塔池化的局限性,本文提出了多尺度融合池化方法MSFP(Multi Scale Fusion Pooling),可以将图像中多种尺度的区域信息进行融合,并且能够有效地减少网络模型的参数数量。在CIFAR-10和NUS-WIDE这两个数据集上对基于这两种池化方法的深度哈希图像检索算法进行了实验对比,实验结果表明本文提出的多尺度融合池化方法能够有效地降低模型训练阶段的计算量,减少最终训练出的模型所占用的存储空间,同时还能保持较好的检索性能。