近年来随着互联网和通信技术的飞速发展,用户上传、下载互联网中的视频数据变得越来越便利。这不仅导致了互联网中的视频数据的急剧增长,也给视频数据的处理和存储带来了极大的挑战。如何在海量视频数据中精准的查找用户所需的视频内容,成为了近年来多媒体领域需要迫切解决的关键问题之一。哈希学习可以将复杂的原始数据映射成极短的哈希码,并在哈希码中保持原始数据间的相似性,通过哈希码在数据库中进行检索,既可以大幅度提高检索速度,又可以有效减少对存储空间的需求。因此,基于哈希学习实现图像和视频的检索,是近年来的一个研究热点。目前,哈希学习方法在图像检索中已有较多研究,取得了较大的进展,但在视频检索中的研究工作还比较有限,主要体现在哈希学习中对视频的时空特征编码不足,标签信息嵌入能力不强,且计算复杂度较高,这导致检索哈希检索性能与应用需求还有较大的差距。因此,本人选择基于哈希学习的视频检索作为研究课题,以进一步提升视频检索的性能。本论文研究了一种基于三元组的深度视频哈希检索方法,并对所提方法的性能进行了实验验证。主要研究工作概括如下:(1)基于卷积神经网络和长短时记忆网络,提出了一种端到端的有监督视频哈希编码网络。在该网络中使用卷积神经网络对视频中的帧图像进行特征提取,并通过长短时记忆网络对时序信息进行融合,实现了视频视觉特征和时空特征的有效编码。(2)利用视频三元组标签相似性信息进行网络模型训练,并通过哈希码分类模块强化监督信息嵌入,加强生成哈希码的判别能力。本文模型的损失函数联合了三元组哈希损失和分类损失,使得模型对视频进行哈希编码的同时也保留了原始视频的邻域相似性。(3)在深度哈希网络中加入了对二值哈希编码的性质约束,使得模型生成的哈希码具有更优异的性能。该约束改善了哈希码各位上的数据分布,使哈希码分布更加平衡。此外,该约束项对哈希码不同比特位之间的相关性进行限制,避免在不同比特位上信息冗余。在三个大规模视频数据集上的实验结果表明,本论文所提出方法有效地提升了视频检索的效率和准确度,在平均精度均值、精度-召回率曲线等多个性能指标上取得了优于现有哈希学习方法的性能。