互联网技术的飞速成熟和发展,带来的是多媒体数据量的爆炸式增长,这导致很多应用场景都无法通过最近邻检索来降低巨大的计算消耗。因此,近年来,近似最近邻检索越来越受到人们的关注,特别是很多基于哈希的近似最近邻检索。这些哈希方法在保持原始数据相似性的前提下,首先将原始数据映射到海明空间,然后在海明空间进行异或操作。这样可以极其有效地提高效率和降低存储空间的消耗。为充分利用类型丰富的多媒体数据,越来越多的跨模态哈希方法被提出,这些方法可以实现不同模态间多媒体数据的检索,如图像检索文本等任务。根据特征的提取方式,现有的跨模态哈希方法可以分为传统的哈希方法和深度哈希方法。传统的哈希方法提取特征的方式是与数据无关的,具有一定的局限性,因此很难满足现有的需求;相反的,深度哈希方法依靠深度神经网络的强大特征提取能力取得了很好的效果。但现有的深度跨模态哈希方法依然存在一些问题。有的方法一般将图像信息和文本信息同时使用,来学习一致的哈希码和哈希函数。通常,文本信息含有大量的噪音,因此文本信息和图像信息并不具备很好的一致性。用这样的方法学到的哈希码质量并不是太高。而且,这样使用相似行矩阵,会造成信息的流失。为解决这一问题,我们提出了快速语义优先的深度跨模态哈希方法。该方法首先利用图像信息和标记信息生成一致性哈希码和哈希函数,然后再生成文本信息的哈希函数。因为图像信息和标记信息的一致性更高,因此生成的哈希码质量更高。更重要的是,该方法只是用了三个简单的神经网络实现,因此其运算效率很高。我们在两个数据集上进行实验,也验证了该方法的优越性。另一方面,现有的跨模态深度哈希方法在检索准确率上不断提高,主要归功于深度神经网络的发展和创新的算法架构。但以上两种方式,都是基于现有方法的一个普遍做法:一般是将标记信息和两个模态的原始信息共同使用,将原始数据映射到海明空间,来生成哈希码。由于图像和文本模态均含有噪音,生成的哈希码质量不高。针对这一问题,我们提出了并行语义优先的深度跨模态哈希方法。该方法只用标记信息输入神经网络生成一致性哈希码,然后用哈希码监督各个模态哈希函数的学习。由于各个模态哈希函数的学习可以并行完成,该方法具有很好的多模态扩展性和高效性。之后,我们在两个数据集上进行实验,验证了该方法的优越性。最后,通过扩展实验验证了该方法出发点的正确性。