随着移动互联网的快速发展,图像、文本、视频等多模态数据量爆炸式增长。这导致了用户感兴趣的数据模态不再单一,同时用户的检索需求也发生了改变,呈现出由原先的单一模态检索到跨模态检索发展的趋势。跨模态检索致力于实现两个不同模态之间的信息交互,即通过一种模态样本来检索具有近似语义的另一种模态样本。在此大数据时代背景下,跨模态检索相比于单一模态检索更加符合用户的检索需要,成为检索信息的必要手段之一。目前,基于Transformer架构的视觉-语言大模型因其任务准确率较高成为现在的主流方法,按照模型结构可以分类为单流结构和双流结构。无论单流结构还是双流结构都需要使用复杂、庞大的模型和大量计算资源,才能从大规模数据集中学习到一些有用的信息,而这显然是很多资源受限的设备所满足不了的。为了解决模型需要大量计算资源和巨大参数量与资源受限的矛盾,在保证性能不变的前提下对模型进行压缩和加速具有重要的实际意义。因此,本文针对跨模态检索模型TERAN进行模型的加速和压缩研究。具体来说,主要研究内容如下:（1）提出了多模块协同的知识蒸馏算法对模型进行压缩。该算法采取了分模块蒸馏的方式,将蒸馏过程分为三部分:特征提取模块的蒸馏、特征学习模块的蒸馏、相似度计算模块的蒸馏。实验结果表明,蒸馏后的学生模型相较于蒸馏前的学生模型精度提高了5%左右,并且在精度与教师模型基本相当的情况下减少50%的模型参数量。（2）为了进一步提高模型的推理速度,提出了基于两阶段检索的跨模态检索模型TSCMR。该模型将图文检索分为图文粗粒度匹配和图文细粒度匹配两个阶段,对检索过程进行优化。在图文粗粒度匹配阶段中,该模型加入了代表图片和文本的全局特征,选择图文粗粒度匹配得分前k高的检索目标进入图文细粒度匹配阶段,减少在图文细粒度匹配阶段消耗的时间和计算资源,实现模型的推理加速。实验结果表明,该模型在性能和TERAN基本相当的情况下实现3.1倍的推理加速。（3）针对基于两阶段检索的跨模态检索模型,重新设计了多模块协同的知识蒸馏算法,将相似度计算模块的蒸馏分为图文粗粒度匹配阶段的蒸馏和图文细粒度匹配阶段的蒸馏两部分,在实现模型推理加速的基础上对模型进行压缩。实验结果表明,蒸馏后的学生模型相较于蒸馏前的学生模型精度提高了5%左右,并且在精度与教师模型基本相当的情况下实现3.2倍的推理加速、50%模型参数量的减少。