El hashing basado en redes profundas ha ganado una popularidad significativa en los últimos años, particularmente en el campo de la recuperación de imágenes. Sin embargo, la mayoría de los métodos existentes solo se centran en extraer información semántica de la capa final, ignorando información estructural valiosa que contiene detalles semánticos importantes, los cuales son cruciales para un aprendizaje de hash efectivo. Por un lado, la información estructural es importante para capturar las relaciones espaciales entre los objetos en una imagen. Por otro lado, las tareas de recuperación de imágenes a menudo requieren una representación más holística de la imagen, lo que se puede lograr al centrarse en el contenido semántico. El equilibrio entre la información estructural y la precisión de la recuperación de imágenes en el contexto del hashing y la recuperación de imágenes es una consideración crucial. Equilibrar estos aspectos es esencial para garantizar tanto resultados de recuperación precisos como una representación significativa de la estructura subyacente de la imagen. Para abordar esta limitación y mejorar la precisión de la recuperación de imágenes, proponemos un nuevo método de hashing profundo llamado Hashing Supervisado Profundo mediante la Fusión de Características Profundas Multiescalares (DSHFMDF). Nuestro enfoque implica extraer características multiescalares de múltiples capas convolucionales y fusionarlas para generar representaciones más robustas para una recuperación de imágenes eficiente. Los resultados experimentales demuestran que nuestro método supera el rendimiento de las técnicas de hashing de última generación, con aumentos absolutos del 11.1% y 8.3% en la Precisión Media Promedio (MAP) en los conjuntos de datos CIFAR-10 y NUS-WIDE, respectivamente.