社交网络和搜索引擎中的图像和视频数据量正以惊人的速度增长。为了高效地检索大规模的高维图像数据,近似最近邻搜索已经成为热门研究课题。在各种近似最近邻技术中,哈希算法因其存储成本低、检索速度快而成为一种流行的解决方案。传统哈希算法都是基于手工设计的特征,但这类特征只能提取数据的底层表示,可能无法保持图像对的语义相似性。同时,哈希函数的学习过程与特征提取步骤无关,使得哈希码学习不能对特征学习步骤给出任何反馈。近年来,深度学习已经成功地应用于哈希问题。深度哈希算法利用深度神经网络同时进行特征学习和哈希码学习,其性能通常优于传统哈希算法。目前,大多数深度监督哈希算法不能充分学习数据之间的相似性关系以及缺乏量化统计信息的引导,导致性能受限。另外,这些深度监督哈希算法通常会对哈希函数施加位独立性和位平衡性的人为约束,潜在地限制了哈希函数拟合训练数据的灵活性,并导致了复杂的优化问题。针对上述问题,本文提出了哈达玛矩阵引导的深度柯西哈希算法（Hadamard Matrix Guided Deep Cauchy Hashing,HMDCH）,该算法可以在端到端的深度框架中生成高质量的哈希码。具体地说,本文将哈达玛矩阵的每一列作为不同的图像类别对应的哈希中心,它本质上满足位独立性和位平衡性的要求,从而可以作为哈希函数学习的期望输出。在此基础上,结合柯西分布概率函数来度量哈希码的对数后验估计,进一步提出了柯西中心相似度损失,对网络中生成的哈希码距离其相应的哈希中心大于给定汉明半径阈值的所有图像进行显著惩罚,从而鼓励相似数据对的哈希码接近一个共同的中心,而不相似数据对的哈希码则收敛到不同的中心。为了促使哈希码完全收敛到哈希中心,本文还专门引入了柯西量化损失。在多个广泛使用的数据集上的大量实验表明,HMDCH可以生成高度集中的、有判别力的和平衡的二进制码,并提高了图像检索性能。此外,本文结合多种开发技术,设计并实现了一个基于HMDCH算法的图像检索系统。