随着大数据时代的到来,多模态数据越来越多,人们对多个模态间数据检索的需求也越来越大,跨模态哈希是一种有效的跨媒体检索方法。大多数现有跨模态哈希方法都是基于批处理学习模式学习哈希函数,这种模式不能有效处理大规模数据集,内存消耗大,并且训练流数据效率低。在线跨模态哈希可以通过在线学习哈希模型来解决上述问题。然而现有的在线跨模态哈希方法虽然可以在线更新哈希模型,但是不能通过新学习的模型更新旧数据的哈希码。而且大多数在线跨模态哈希方法主要关注于将不同模态的数据映射到一个公共的低维空间中,从而消除不同模态之间异构性,实现跨模态检索。但是由于忽略了多模态数据模态内相互关系,最终学习到的哈希编码检索精度不高。此外,大多数在线跨模态哈希检索方法在模型学习的时候,采用先松弛离散约束去求一个近似的连续解,然后使用符号函数量化得到离散的解,这种方式虽然可以避免离散约束造成的NP困难问题,便于求解,但是存在大量的量化误差,使得哈希码的检索精度下降。本文针对上述问题进行研究,分别提出了三种在线跨模态哈希检索方法。主要研究内容如下:(1)针对现有在线跨模态哈希检索算法无法通过新学习到的模型更新旧数据的哈希码的问题,提出在线协同矩阵分解跨模态哈希检索方法。该方法利用协同矩阵分解学习不同模态数据的公共隐含因子,通过量化公共隐含因子得到不同模态数据的统一哈希编码。与传统的基于批处理模式的方法不同,该方法仅通过新到达的数据点对哈希函数进行重新训练,同时,生成新数据的哈希码。并通过最新更新的哈希模型更新旧数据的哈希码。因此,新数据和旧数据的哈希码间的差异较小。在三个常用数据集上的大量实验证明了该方法在在线跨媒体检索中的有效性和高效性。(2)针对现有在线跨模态哈希检索算法重点关注于多模态数据的模态间相关性,忽略了多模态数据的模态内相关性,使得学习到的哈希码检索精度不高问题,提出在线图正则化非负矩阵分解跨模态哈希检索方法。该方法利用经典的非负矩阵分解对模态维度较高的数据提取语义特征,将不同模态数据映射到公共的汉明空间,并通过图正则化来保持多模态数据之间的相似性。以增量的方式处理输入的数据,在线学习哈希码和哈希函数,通过建立缓冲区方式处理大规模数据。充分利用了单一模态内的局部流形结构信息和数据的类别标签信息,得到判别性更高的哈希码。实验结果表明,与现有的在线哈希方法相比该方法检索效果更好。(3)针对现有在线跨模态哈希检索算法采用松弛策略导致的哈希码存在大量量化误差问题,提出在线离散跨模态哈希检索方法。该方法通过将语义标签回归到哈希码,建立原始数据和哈希码的联系,对哈希码的学习过程进行监督,并且可以直接求解哈希码避免了松弛策略带来的量化误差问题。该方法在哈希学习过程中,不需要存储大量的历史数据,仅需要使用新到达的数据更新哈希函数。实验结果表明,该方法不仅速度快,而且性能优于其他同类方法。