近些年,随着互联网技术的发展,网络上的多媒体数据呈现爆炸式增长,逐渐从一种媒体类型转变成文本、图像、视频、音频、3D模型等多种媒体类型,不同形态的多媒体数据融合在一起,展现出更丰富和全面的语义信息。而传统的单媒体检索难以满足人们对不同媒体类型数据的检索需求,因此,一种新的信息检索技术-跨媒体检索应运而生,迅速成为近几年国内外学者研究的热门课题。跨媒体检索技术突破了单媒体检索局限于检索同种媒体类型数据的桎梏,其检索模式是将一种媒体类型的数据作为查询来检索其他类型的相关数据对象,如:用图像检索语义相似的文本、音频数据等。跨媒体检索的关键挑战是解决多媒体数据之间的“语义鸿沟”问题,即:不同媒体类型的数据对相同的高层语义有着不同的底层特征表达,因此,如何准确衡量它们之间的语义相似性,进而进行跨媒体特征学习非常具有挑战性。针对以上问题,本文基于半监督图正则化进行跨媒体特征学习,应用图正则化来保护多媒体数据间的相似性,在图中使用了相似性矩阵来明确衡量数据间的关联关系;在此基础上,应用了跨媒体小块来突出多媒体数据中的重要部分,从而提高跨媒体关联性的精度。本文采用查准率和召回率作为评价标准,在不同的跨媒体数据集上进行实验,实验结果验证了本文所提方法在跨媒体检索上的有效性及优越性。