随着互联网上多媒体数据的爆炸式增长，大数据的相关研究正蓬勃展开。如何有效检索海量多模态数据成为研究的热点。由于不同模态的数据之间存在内容鸿沟，低层特征与高层语义之间存在语义鸿沟，传统单一模态下的检索方法并不适用于多模态的场景。人们期望能够实现不同模态间数据的跨模态相似性搜索。而对于跨模态检索问题，关键的挑战在于如何刻画和关联来源于不同模态的异质数据。　　本文以多模态数据为研究对象，利用字典学习方法将不同模态的异质特征通过稀疏表示投影到共同潜空间中，继而在学习到的共同潜空间中实现跨模态数据的关联。同时，在特征表示阶段和特征关联阶段探索了多模态数据中存在的判别性，提出了两种多模态检索方法。论文的主要内容如下：　　（1）提出一种基于判别性学习的跨模态检索方法。该方法可以分为两个方面：一方面在表示阶段增加判别性，从稀疏表示入手，通过判别性字典学习获得具有判别性的稀疏系数，在共同空间实现跨模态检索；另一方面在特征关联阶段增加判别性，通过学习一个判别性的共同空间以增强判别性，不同模态数据的稀疏系数映射到共同空间实现关联。实验结果证明了基于判别性学习的方法可以取得较为理想的检索效果。　　（2）提出一种基于判别性字典学习与类标对齐的跨模态检索算法。首先，对每一个模态学习各自的判别性字典，从而获得数据的稀疏表示；然后，将得到的稀疏系数映射到类标矩阵定义的共同空间中实现类标对齐；最后，在该共同空间实现跨模态检索。该方法不仅增进了同一模态不同类别数据间的判别性，也增强了不同模态同一类别数据间的相关性。同时，数据之间的相关性与判别性通过在共同类标空间使用类标对齐得到了进一步加强。在多个公开的多模态数据集下的实验结果表明，本文的方法的检索精度优于同类方法。