La extracción de características es una parte importante del hash perceptual. Cómo comprimir las características robustas de las imágenes en códigos hash se ha convertido en un tema de investigación candente. La conversión de una imagen bidimensional en un descriptor unidimensional requiere un mayor costo computacional y no es óptimo. Para mantener la estructura de características interna de la imagen bidimensional original, se propone en este artículo un nuevo algoritmo de Hashing Discriminante Discreto Supervisado de Vecindario Bilineal (BNDDH). En primer lugar, el algoritmo construye dos nuevos grafos de vecindario para mantener la relación geométrica entre las muestras y reduce la pérdida de cuantización al restringir directamente los códigos hash. En segundo lugar, se utilizan dos pequeñas matrices de rotación para realizar la proyección bilineal del descriptor bidimensional. Finalmente, el experimento verifica el rendimiento del algoritmo BNDDH bajo diferentes tipos de características, como los píxeles originales de la imagen y una característica AlexConv5 basada en una Red Neuronal Convolucional (CNN). Los resultados experimentales y la discusión muestran claramente que el algoritmo BNDDH propuesto es mejor que el algoritmo de hash tradicional existente y puede representar la imagen de manera más eficiente en este artículo.