随着信息技术持续不断的发展,网络中涌现了大量的多媒体数据,如视频、图片、文本等。面对如此多的数据,用户对检索的需求也发生了改变,人们不再满足单一模态数据的检索,如以文搜文,而更期待不同模态数据间的检索,即跨模态检索。目前,在大数据的背景下实现跨模态检索主要面临的主要问题为:如何关联不同模态的数据以及如何提高检索的效率。经过多年的探索,研究专家提出了基于哈希的跨模特检索方法。这类方法是通过将原始数据表示成二值的哈希编码,再利用二值的编码运算速度快及占用内存空间小的特点完成大规模数据的跨模态检索。本文对此展开了研究,研究主要内容如下:本文提出了一种基于矩阵分解和语义关联的跨模态哈希算法。该算法有以下几个优点:第一,由于各个模态数据自身的特性,它们表达信息的方式存在很大的差异,而目前的跨模态哈希算法大都通过学习一个的共同的潜在特征来表示多个模态数据,忽视了各个模态数据之间的差异,这不可避免的会造成某些模态数据的信息损失,进而影响检索结果。与现有算法不同,本算法学习各模态独立的潜在语义代表,然后生成对应的哈希码,从而保证每个模态数据内部关系不被破坏;同时,为了对学习到的哈希码进行相似性约束,本算法利用标签信息构造一个语义关联矩阵,能够在哈希码的迭代更新过程中,保证哈希码和原始模态数据的一致性。其次,针对哈希码的二值离散约束,现存的跨模态哈希算法大都采用松弛-量化的策略进行哈希码的学习,但此过程会产生大量的量化误差,为了解决这一问题,本算法提出一种不需要放松哈希码约束的策略,在迭代过程中,对哈希码进行逐位更新学习,能有效降低量化误差。第三,对于训练样本外的数据,现有的跨模态哈希算法大都通过矩阵伪逆计算产生相应的哈希码,这会导致数值不稳定,针对这一问题,本算法提出利用核逻辑回归学习能给训练样本外数据使用的非线性映射函数。实验时,将本算法和一些最新的跨模态哈希算法在三个公开的基准数据集中进行实验,结果表明,本文提出的算法具有更好的检索性能。