1.一种基于深度哈希学习优化的图像检索方法，其特征在于，所述方法包括以下步骤：步骤1:构建哈希函数，哈希函数由一个多层神经网络得到，过程如下：步骤1.1：构建多层全连接层；

步骤1.2：每层全连接层后面接tanh激活函数；

步骤1.3：最后输出做符号函数运算；

步骤2：目标函数构建，根据所述分类损失函数、所述相似性保持损失函数、所述量化损失函数、正则项和离散正交约束，得到所述整体损失函数；

步骤3：目标函数优化，根据交替方向法对所述整体损失函数中的所述分类权重系数、所述网络权重系数、所述二值码依次进行优化，过程如下：步骤3.1：固定其它变量不变对分类权重系数用最小二乘法进行优化；

步骤3.2：固定其它变量不变对网络权重系数用随机梯度下降法和反向传播法进行优化；

步骤3.3：固定其它变量不变引入新的变量对离散正交约束下的二值码用改进的ADMM方法转为离散约束和正交约束进行优化；

步骤4：哈希函数训练，过程如下；

步骤4.1：将图像数据集分为查询集Q、待查集D两部分，并取待查集D中的一部分数据组成训练数据集P；

步骤4.2：使用深度残差网络对图像数据集提取深度特征，使用主成分分析法降维；

步骤4.3：将训练数据集P的深度信息和标签信息分批输入；

步骤4.4：随机初始化神经网络权重系数；

步骤4.5：按步骤3从步骤3.1到步骤3.3依次迭代至收敛；

步骤4.6：把按步骤4.5得到的最优网络权重系数代入步骤1得到哈希函数；

步骤5：图像检索与精度测试，过程如下：步骤5.1：将查询集Q和待查集D的深度特征Q’和D’输入；

步骤5.2：将特征向量Q’和D’输入到哈希函数，得到哈希值Q”和D”；

步骤5.3：计算查询集Q中每一张查询图像的哈希码与待查数据集D中所有图像的哈希码的汉明距离，并按照汉明距离从小到大进行排序作为每一张查询图像的结果；；

步骤5.4：比较查询图像的标签和查询结果的对应图像的标签，根据信息检索中的评价准则计算所有查询图像的平均准确率，输出计算结果；

经过上述步骤的操作，即可实现对图像的检索。