随着移动互联网技术的发展，图像数据的规模越来越大，大规模图像检索任务已经成为了一个紧要的问题。由于检索速度快和存储消耗低，哈希算法受到了研究者的广泛关注。基于深度学习的哈希算法要达到较好的检索性能，需要一定数量的高质量训练数据来训练模型。然而现存的哈希方法通常忽视了数据集存在数据类别非平衡的问题，而这可能会降低检索性能。针对上述问题，提出了一种基于元学习网络的深度哈希检索算法。所提算法可以直接从数据中自动学习加权函数。该加权函数是只有一个隐含层的多层感知机（MLP），在少量无偏差元数据的指导下，加权函数的参数可以和模型训练过程中的参数同时进行优化更新。元学习网络参数的更新方程可以解释为：较符合元学习数据的样本权重将被提高，而不符合元学习数据的样本权重将被减小。基于元学习网络的深度哈希检索算法可以有效减少非平衡数据对图像检索的影响，并可以提高模型的鲁棒性。在CIFAR-10等广泛使用的基准数据集上进行的大量实验表明，在非平衡比率较大时，所提算法的平均准确率均值（mAP）最佳；在非平均比率为200的条件下，所提算法的mAP比中心相似度量化算法、非对称深度监督哈希（ADSH）算法和快速可扩展监督哈希（FSSH）算法分别提高0.54个百分点，30.93个百分点和48.43个百分点。
