哈希算法作为经典的近似最近邻算法,凭借效率上的优势,在大数据时代吸引了大量研究者的目光。近期,现有的哈希算法利用深度神经网络的表达能力,通过大量的监督数据训练模型,构建了准确的哈希映射。然而对大量监督数据的强烈依赖限制了深度哈希算法的进一步落地。据此本文在标签数据不足的情况下,研究语义一致性映射的哈希编码表示。本文的研究对于哈希算法的现实应用有着重要的意义。在对相关研究进行分析后发现,现有的哈希编码算法主要存在三个问题:第一,图像语义一致性难以映射到编码空间。第二,图像语义一致性映射到编码空间的准确性不足。复杂的背景,样本不均衡等干扰因素均会导致映射错误。第三,图像语义一致性映射到编码空间的准确性在动态环境中难以维持。本文针对分析中的上述问题,分别给出相应的解决方案。具体地,本文的研究内容和主要贡献包括以下四个方面:首先,为了使图像语义一致性映射到编码空间,本文基于语义一致性映射原则,提出均衡离散哈希算法。所提算法通过编码层和特征层的语义关系一致构建哈希映射。具体而言,均衡离散哈希采用图结构建立特征层的语义关系模型。其中将特征间的分离程度引入边的定义,编码作为图的结点。紧接着,本文提出正交时序一致性损失。该损失项在降低编码冗余程度的同时,通过自监督方式对哈希映射进行进一步修正。最后,本文采用离散循环坐标下降法求解目标问题,避免了量化过程中的语义损失。实验证明所提算法在不依赖标签信息情况下,在类别语义和编码之间建立映射。其次,为了使更加细粒度的图像语义一致性映射到编码空间,本文结合语义判别性映射原则,提出局部判别哈希算法。语义判别性映射原则要求映射使不同类的样本点尽量分离,同类的尽量紧凑。局部判别哈希利用少量的标签样本,要求哈希映射聚焦在样本的局部语义区域,以此增加编码的类内聚合程度,从而构建哈希映射。所提算法包括语义挖掘模型和哈希模型。其中,哈希模型被用于监督判别性挖掘。具体而言,本文提出一种基于四元组的判别性损失,要求经过判别性处理后的样本映射到区分度更高的哈希编码。实验结果证明,所提出的算法能够在细粒度类别的语义和编码之间建立映射。再次,为了提升图像语义一致性映射到编码空间的准确性,本文提出语义映射自步拓展的对抗生成哈希算法。所提算法仿造人类的学习过程,根据映射与语义的一致性程度,逐步提升对困难样本的映射准确性。困难样本指的是难以编码的样本,源于样本语义区域丢失,以及样本不均衡问题,即部分样本由于数量不足,在训练过程中被忽视。为此,自步对抗生成哈希联合学习困难样本生成模型和哈希模型。根据哈希模型的需求,针对性生成合适的困难样本。首先,本文设计了高效的生成模型,分别从遮挡和形变上生成困难样本。紧接着,本文提出基于自步学习的生成策略,从易到难得控制困难样本的生成。除此之外,本文提出语义一致性损失,挖掘无监督样本的语义信息,提高哈希映射的准确性。实验证明,所提算法能够建立更加准确和鲁棒的哈希映射。最后,为了在动态环境中维持图像语义一致性映射到编码空间的准确性,本文提出语义一致性映射实时调整的中心自适应哈希算法。算法流程包括两个阶段:对新增类别自适应的构建类别中心,之后哈希模型将样本拟合到指定的类别中心。首先,本文利用酉矩阵的标准正交性构建区分度足够大的类别中心。其次,为了保留对旧样本语义的记忆,本文构建一种基于全局语义知识的蒸馏学习框架。并通过不同步更新的策略缓解灾难性遗忘的问题。最后,对于新输入样本,本文提出一种比特层面的注意力损失,以概率密度作为样本的权值,使模型实时聚焦到拟合不好的样本。实验证明,所提算法在动态的在线环境中,能够实时调整映射,以维持准确性。通过上述研究,本文对图像检索中语义一致性映射的哈希算法,进行了深入地探索,并为其中存在的关键问题提供了切实有效的解决方案,并对算法的在线应用进行了针对性的改进和创新。本文所提算法对于哈希算法的实际应用有着重要的研究意义。