在信息检索领域,随着移动互联网和信息技术的发展,多媒体数据呈现出数量多、数据类型丰富的特点,传统面向单一模态数据的搜索引擎和方法无法满足现如今用户对多模态数据检索的需求。面对海量异构的多媒体数据,基于哈希学习的跨模态检索技术具有计算效率高、占用存储资源小的优势,是解决大规模多媒体信息检索问题的有效技术手段。本文对跨模态检索领域中的鲁棒性哈希学习、多视角哈希学习、多模态语义挖掘和高效哈希学习框架等问题和挑战进行深入的研究和探讨,主要研究内容如下:提出一种鲁棒多视角相似嵌入的跨模态哈希方法。首先通过数据重构约束大幅减少数据在降维过程中信息丢失的问题,加强子空间学习的鲁棒性;其次,利用多视角学习,构造多模态数据的多视角相似矩阵,通过流型学习的方式将多视角相似性嵌入至低维表示中;最后通过离散的优化方式,大幅减小哈希码的量化误差。实验结果表明,该方法优于以往的跨模态哈希方法,具有良好的检索精度。提出一种监督型一致与特定模态映射的跨模态哈希方法。首先明确地将单一线性映射分解为多模态一致映射项和特定模态的映射项,分别挖掘多模态数据内部的语义一致性与单一模态内部的特殊性;其次,将类标签信息通过回归的方法嵌入至哈希码中,得到具有良好可区分性的哈希码,同时减低模型优化的时间复杂度。实验结果表明,该方法在训练时间和检索效果上优于以往的跨模态哈希方法,具有良好的实用价值。提出一种非对称的编码框架,将监督型一致与特定模态映射的跨模态哈希方法扩展至一个非对称的编码框架中,进一步提升哈希码的判别性。首先通过一致性映射和模态特定映射学习一个多模态离散潜在语义空间,然后通过非对称的编码函数学习多模态数据的哈希码。与以往方法不同的是,该方法将哈希函数和哈希码在同一个目标函数中同时迭代优化,并且优化的时间复杂度大幅低于以往的方法。实验结果表明,该方法在训练时间和检索精度上优于以往的方法。综上,本文从多个方面有针对性地设计不同的算法,提升了跨模态检索的准确性和检索速度,为实现高效、准确的跨模态检索提供了理论和技术支持。