随着遥感卫星技术的不断发展,社会进入了遥感大数据时代。高维数据的存储和检索成为海量遥感数据应用的瓶颈,如何实现对大规模遥感图像的准确、快速搜索,在灾难预警、农业检测、城市规划等遥感应用领域具有重要意义。哈希方法作为一种高效的索引方式,为每幅图像生成较短的二进制序列表示,大幅度地提高了检索效率,同时减少了内存消耗。然而传统的哈希方法依赖人工设计的特征描述符作为哈希编码的输入,人工提取的低层视觉特征难以表达遥感图像复杂的视觉信息,从而制约了哈希检索性能的提升。随着深度学习的发展,深度卷积神经网络能够自动提取图像更抽象的深层次特征,学习到的特征具有更强的判别能力,因此人们提出融合深度学习和哈希学习的方法——深度哈希方法,在检索任务中取得了良好的表现。但是,由于遥感图像自身存在背景复杂性、目标多样性等特点,使得语义相似性保持的遥感图像深度哈希检索研究仍是遥感检索领域一项具有很大挑战的任务。本文的主要研究工作包括:针对哈希映射过程中会不可避免地丢失部分特征信息的问题,本文提出一种简单有效的深度度量和类别级语义哈希网络模型DMCH,该模型主要分为深度特征提取和哈希学习两个部分。首先使用在Image Net数据集上预训练的Inception Net网络作为特征提取器,提取遥感图像更抽象的深层次特征作为图像中间表示,大大减少了训练时间,也弥补了遥感图像数据集带标签样本数量少的缺陷。在哈希学习阶段,本文挑选有效的三元组特征集合学习语义相似性保持的汉明度量空间,并添加类别级分类损失、理想哈希码约束来增强相似哈希码之间的潜在关联性,生成简洁有效、判别能力更强的哈希码,从而提升检索性能。针对使用汉明距离度量哈希码相似性粒度较大问题,本文引入两种重排算法对模型DMCH的检索结果进行细粒度重新排序,分别是基于近邻重要比特的加权汉明距离重排算法和由粗到细的哈希重排算法。基于近邻重要比特的加权汉明距离重排算法根据检索返回图像中每一位哈希码的差异性分布来区分不同比特位的相对重要性,增加主要比特位的权重,减小次要比特位的权重;由粗到细的哈希重排算法则是通过比较松弛前更细节的实值特征向量对相似度重新排序,更适用于区分具有相同哈希码图像之间的相似性。最后,本文在三个公开的标准光学遥感数据集上验证了模型的有效性,并设置一系列对比实验,实验结果验证本文提出的深度度量和类别级语义哈希网络模型对遥感图像哈希检索性能有较好的提升作用。与目前较先进的哈希方法相比,本文提出的模型在三个数据集上的检索准确率分别提升了1.13%、2.89%和3.36%。此外,两种重排算法通过对本文提出模型的检索结果进行细粒度优化,分别进一步提高了0.57%、0.2%、1.28%,0.98%、0.6%、2.35%,其中由粗到细的哈希重排算法对本文提出模型的检索性能提升效果更明显。综上所述,本文提出的深度度量和类别级语义哈希网络模型以及哈希重排算法对于语义相似性保持的遥感图像深度哈希检索研究具有一定的理论及应用价值。