随着互联网快速发展与普及,我们可以很方便的在互联网上分享各种图片和视频,例如在Flickr和You Tube上,由此也导致网络多媒体数据(包括:文档、图片、视频等)正在呈现爆炸式的增长,因此从大规模的数据库中进行图像检索也成了近几年活跃的研究方向。近两年来,Hashing(哈希)算法被广泛用来进行相似性搜索,因为它不仅可以节约存储空间,还可以显著地提高检索的时间效率。本论文针对这一课题,在传统算法的基础上,结合机器学习中相关知识,设计出新的Hashing算法,进一步提高Hashing算法的准确率和效率。本文结合距离学习的思想,将传统线性判别分析和现有的监督Hashing算法进行结合,提出了一种无监督的Hashing算法,并将该Hashing算法应用于大规模的图像检索中,提高了检索准确度。本文主要工作和创新点包括:·Hashing算法可以分为非监督、半监督和监督三大类。因为半监督和监督算法中都有标签数据,所以半监督和监督的哈希检索准确度普遍比非监督的哈希算法高,但是现实中大部分数据都是无标签的。在本文中先利用k-means聚类算法获得分类信息,然后再将传统线性判别分析算法思想应用到模型中,成功将监督算法的思想引入到非监督算法中,解决了无标签数据的情况。·大部分提出的Hashing算法,往往没有同时考虑数据点的局部和全局结构。本文提出的算法利用数据点的局部结构实现类与类之间的分离、类之间的聚合,再考虑全局结构,进一步实现类与类的分离。·一般的Hashing算法在模型上有苛刻的约束条件,导致模型求解是一个NP-hard问题,同时又忽略了真实的数据分布特点。本文在模型求解上,结合实际情况对苛刻的约束条件进行放松,这样不仅能简化模型求解,还显著的提高了检索准确度。