在这个计算机、通信发展迅速的年代,人们接触到的文本、视频、音频,包括图像等多媒体信息越来越多。通过互联网,人们正在一步一步的实现全球多媒体信息的共享。用户对多媒体信息的查询也变得越来越普遍。各种新的应用需求也随之而来。跨媒体检索技术,指的不同模态之间可以相互交叉检索的检索方式,即通过某一种模态的实例检索出与之语义相关的其它模态的样本。跨模态检索到的结果与单模态相比,内容丰富,能将查询对象更加立体地呈现给用户。本文主要研究图像和文本两种模态间的交叉检索方法。通过深度学习模型提取数据集中图像和文本的特征表达,将二者融合后映射到高维子空间中。根据子空间中的样本距离大小,度量其相似度,完成检索。本文提出了多层次特征提取方法和双语义空间的构建方法。在特征提取阶段,提取出有利于融合的图像和文本特征。在特征融合阶段,对每种模态构建了真实语义空间和转换语义空间进行综合检索,有效的提高检索准确度。本文工作和研究成果主要包括以下两个方面:（1）本文针对图文检索问题中语义对齐的问题,改进了现有检索模型中的特征提取部分,提出了一种多层次关键语义信息提取方法。该检索方法主要由三个模块组成:第一模块在VGG网络和Text-CNN中加入空洞卷积得到图像和文本的多层次特征。第二模块是通过注意力机制和外积进行特征筛选与组合实现语义对齐。第三模块是将两个模态进行特征融合,完成检索。（2）本文提出了双语义空间检索模型。目前的特征融合网络,目标函数包括分类任务和融合任务。由于各个模态的特征空间需要在完成分类的同时,还要考虑其它模态的函数分布,因此会导致最终学习出来的特征空间出现精度损失和无法拟合函数分布的情况,影响跨模态检索结果。本文首先构建真实语义空间,即在识别单模态标签上具有很好的效果的完备语义空间。然后构建转换语义空间,转换语义空间是两种模态真实语义空间的桥梁,具有自身模态的语义和待检索模态的函数分布。在检索时,两个模态分别将该模态的转换空间特征和另一种模态的真实空间特征相比较,计算相似度,综合结果,完成检索。