图像-文本检索技术在日益丰富的数字世界中起到至关重要的作用,因此被学术界和工业界视为一项很重要的技术投入。本文结合现有注意力机制的优缺点和生成对抗网络中判别器的结构特点,设计了图像特征预测网络、堆叠交叉注意力模块及特征来源判别模块,提出基于堆叠交叉注意力及对抗学习的图像-文本检索算法。首先,本文改进传统方法需要学习得到共同空间的弊端,直接以图像特征空间为共同空间。此外,通过引入堆叠交叉注意力机制计算局部图像和各个词汇间的细粒度相似度。本文分粗粒度、细粒度两个层次计算图像-文本相似度,优化文本预测图像特征过程且不增加过多计算复杂度,并改进了传统注意力机制简单穷举、预设步骤单次只能算一对局部图像和单个词汇的缺点。最后,本文设计特征来源辨别器,以对抗学习方式优化辨别器损失和生成器损失,其中生成器损失即跨媒体相似度损失,包含粗粒度(全局)和细粒度(局部)两部分。本文在主流跨媒体检索数据集MS-COCO和Flickr30K中实验检验注意力机制和对抗学习对图像-文本检索模型的作用并进行可视化分析。实验表明,堆叠交叉注意力具备良好的细粒度层次特征的匹配能力,而且能较大幅度地改善文本特征到图像特征的预测效果,进而提升图像-文本检索的准确程度。此外,实验表明对抗学习对检索模型的准确度也有小幅提升。