跨模态检索是通过关联不同类型数据的语义来实现多个模态数据之间交叉检索的一种方式。由于哈希技术具有查询速度快和存储空间小的特性,近年来产生了许多跨模态哈希方法。现有的跨模态哈希算法大多局限于图像和文本数据,但在实际应用中,多媒体数据通常具有两个及以上的媒体类型,使得以往的检索算法难以取得很好的效果。为此,本文提出两种多模态数据检索算法,分别解决数据样本间的高阶关系和数据实例未配对两个问题。针对数据之间的高阶特征被忽略的问题,提出基于超图的离散矩阵分解哈希算法HDMFH。考虑将不同模态的数据映射到共同空间中,算法采用联合矩阵分解技术学习公共语义表示,同时利用超图学习对实例之间的高阶关系进行建模以增强该公共语义表示的判别能力。然后,对公共语义表示进行正交旋转以生成二进制编码,并结合监督语义标签来弥合跨不同模态数据间的语义鸿沟,这种连接的方式不受限于两种模态,使得算法可以扩展到任意多模态场景。针对数据实例未配对的问题,提出未配对跨模态哈希算法UCMH。算法首先为不同模态的数据分别学习各自的潜在子空间,同时考虑到数据样本的模态内相似性,利用相似性保留技术来保持数据的固有结构。之后,通过正交旋转技术转换潜在子空间,将各个模态的潜在特征编码成离散哈希码,并通过标签信息增强哈希码的判别能力。此外,通过构建亲和度矩阵来连接未配对的数据,弥合数据在不同模态间的语义鸿沟,如此使本算法能够同时处理单标签未配对情况和多标签未配对情况。本文采用三种评价指标,分别在跨模态数据集和多模态数据集上对提出的两个算法进行广泛实验。实验结果表明,提出的HDMFH算法能够有效完成各种检索任务。此外,在数据未配对场景中,提出的UCMH算法在处理跨模态和多模态检索问题上均表现出了显著的性能优势,同时也证明了本算法在配对数据检索问题中的扩展能力。整体来说,本文提出的两种算法都能够获得准确的检索结果,并能满足多模态检索任务的要求。