1.一种基于深度学习的全卷积网络的哈希检索方法，其特征在于包括以下步骤：

①定义待检索图像数据所在的图像数据集为原始图像数据集，将原始图像数据集的M个图像数据中任意选取m个图像数据作为训练数据集，m≥0.2M，并对训练数据集中的每一个图像数据设置对应的原始标签信息；

②定义待训练的哈希模型，包括输入数据层、卷积子网络层、全卷积层、哈希层、哈希编码输出层和采用softmax分类器的分类输出层，其中，输入数据层用于输入训练数据集里的图像数据，卷积子网络层由五个卷积池化模块组成，全卷积层连续两次的采用1024个1×1的卷积核，哈希层采用K个1×1的卷积核并采用光滑的tanh激活函数，哈希编码输出层用于输出哈希层得到的哈希编码；

③随机打乱训练数据集中的m个图像数据得到打乱后的数据集，将打乱后的数据集输入待训练的哈希模型，根据输出结果修正模型参数，最终得到训练后的哈希模型，具体过程如下：③-1设置最大迭代次数，定义待训练的哈希模型的损失函数如下：

minLT(W,b)＝λ1Lc+λ2Lq，其中，λ1＝0.5，λ2＝0.5，Lc表示softmax分类器输出的分类标签信息与原始标签信息的误差， 其中，h表示对哈希层输出的哈希编码进行离散化操作后得到的二进制编码，s表示哈希层输出的哈希编码， 表示h-s的2-范数的平方；

③-2根据待训练的哈希模型的损失函数，使用RMSProp优化算法对待训练的哈希模型进行迭代优化，直到达到设置的最大迭代次数时，停止迭代过程，得到训练后的哈希模型；

④使用训练后的哈希模型对原始图像数据集进行哈希编码，得到对应的原始图像数据哈希编码，使用训练后的哈希模型对待检索图像数据进行编码，得到对应的待检索图像哈希编码；

⑤在原始图像数据哈希编码中查找出与待检索图像哈希编码的海明距离最近的数据，并将该数据在原始图像数据集中对应的图像作为最终的检索结果，完成对待检索图像数据的哈希检索过程。

2.根据权利要求1所述的一种基于深度学习的全卷积网络哈希检索方法，其特征在于所述的步骤③-1中设置最大迭代次数为10000次。