图像检索任务的目标是从海量的遥感图像中搜索到与查询图像相似的图像。与自然场景下的图像不同,遥感图像多为俯视图,并且携带更多的波段信息,因此需要较高的特征维度来表达,导致检索效率低。近年来,深度哈希方法在特征降维方面应用广泛。然而,与自然图像相比,遥感图像的相似、相关性大,类间距小,使深度哈希方法在遥感图像检索的应用受限。为了提高哈希码的质量,使检索结果更准确,本文对基于深度哈希的遥感图像检索方法进行研究,主要针对提高不同类别间图像的差异性、扩大类间距的问题展开工作,主要工作内容如下:首先,由于遥感图像相似、相关性大,不同类别间的特征差异小,本文将单标签的深度哈希方法与分块全连接层结合,提出了基于特征分块的单标签深度哈希方法。该方法在保持特征语义性的基础上扩大了类别间的特征差异,有效缓解了遥感图像相似性大的问题。为了提取到有效的图像特征,该方法微调预训练的网络模型,使模型拟合遥感图像,保证特征的准确性与哈希学习的可靠性;为了降低不同类别的特征相似性大的问题,本文采用特征分块策略改进全连接层编码结构,完成特征降维,扩大不同类别的特征之间的差异,使不同类别的哈希码存在差异,提高哈希码的质量;由于可利用的遥感图像数量有限,该方法在目标函数中添加了正则项,提高模型的鲁棒性,避免发生过拟合的现象。实验结果表明,该方法在保持特征语义性的基础上,扩大了不同类别之间特征的差异性。然后,当遥感图像中存在相似性较大的类别时,基于单标签的深度哈希模型无法分辨特征的差异性,因此需要进一步扩大不同类别间的距离。为了实现这一目标,本文提出了基于特征分块的三元组标签深度哈希方法,实现度量学习,扩大类间距。该方法将预训练的网络模型作为特征提取器;同时设计一个小型的三元组网络进行度量、哈希学习;使用分块全连接层进行降维,提高特征的有效性,保证模型的训练效果。为了进一步提高哈希码的质量,本文在网络模型的损失函数中添加了用来校正哈希码的损失项。实验结果表明,该方法在保持特征差异性的基础上,完成度量学习,进一步扩大了不同类别间的距离,保证了哈希码的有效性,提高了检索结果。最后,本文采用分块编码策略代替全连接层进行降维,将分块全连接层作用于单标签的深度哈希、三元组标签的深度哈希方法中,有效提高了不同类别特征的差异性,使生成的哈希码更准确,提高了遥感图像检索的准确性。