随着互联网的高速发展和图像获取技术的不断提高,图像在网络中的产生速度也呈爆炸式增长。这就导致了如何更好的对图像数据进行组织,管理和获取成为一个广泛关注的问题。当前随着图像数据增长速度越来越快,无论是单纯基于语义信息或者视觉信息的图像浏览和推荐算法都不能够很好的解决该问题,因此本文着重研究基于跨模态信息的图像浏览与推荐的相关方法,并涉及三个重要的方面：图像跨模态关联网络的构建；基于跨模态信息的图像聚类算法研究；基于跨模态信息的图像个性化推荐方法研究。在图像跨模态关联网络的构建方面,语义关联网络和视觉关联网络是两个主要组成部分。语义关联网络的构建主要考虑基于概念在多标注图像数据集中共现概率的层次内关联关系和基于WordNet定义的固有层次关联关系所共同构成。视觉关联网络的构建则主要通过提取图像视觉信息特征来完成获得图像集合之间的视觉关联的任务。最后通过语义关联网络和视觉关联网络的融合形成跨模态关联网络。在基于跨模态信息的图像聚类方面,首先考虑的是视觉信息和语义信息的特征提取方法：视觉信息涉及基于SIFT特征的LLC线性编码方法和SPM分层特征提取方法；语义信息的特征提取方法则定义一个依赖于数据集标注信息的共现关联网络,并基于这个网络对图像中包含的语义标注信息进行TF-IDF优化编码。接着本文采用CCA方法将两个不同维度的特征进行跨模态信息融合；并为图像聚类提供跨模态特征。在基于跨模态信息的图像个性化推荐算法方面,本文详细介绍了该算法的设计框架和各部分的设计过程。首先是基于跨模态关联网络的图像多模态关联信息挖掘过程,它依赖于跨模态关联网络建立多模态信息的关联挖掘机制；接着是基于用户个性化模型的多模态关联融合,主要针对关联挖掘产生的图像候选集构建基于语义关联和视觉关联的跨模态图模型,并在图模型的构建中引入用户个性化模型。最后是基于随机游走的关联推荐算法,在跨模态图模型中建立一种模拟人类联想思维方式的浏览推荐模式,其目的是让算法能够更加准确的捕捉用户对于图像的兴趣关注点,并且为用户提供更好的图像浏览与推荐体验。