随着互联网的快速发展,人们在网络平台发布文字和图像作品的现象变得越来越普遍。面对日益增长的图文数据,设计高效的图文检索方法,帮助用户更精确,便捷地搜索到有价值的内容具有重要的意义。近年来,得益于深度学习技术的迅猛发展,多模态的图文检索逐渐成为研究的热点。但在多模态环境下,文本与图像存在巨大的语义鸿沟,简单将文本与图像映射到同一空间计算相似度的方法(表示型方法)并不能取得良好的效果。因此,如何提取和关联不同粒度的图文信息,进一步减少图像与文本间的语义鸿沟,成为了图文检索中极具挑战性的任务。本文在采用文本词汇特征与图像实体候选框特征匹配的方法(交互型方法)基础上,引入层级化结构和抑制冗余匹配机制对交互型方法进行改进。主要的贡献如下:1)提出了层级化交互型网络(HIN),该网络包括语义信息的层级化结构和注意力的层级化结构。语义信息的层级化指在利用文本和图像的一元信息匹配形成的特征交互矩阵的同时,还进一步利用文本和图像的多元信息,使得图文匹配过程的语义信息更加丰富。注意力的层级化是指在文本词汇级别(图像实体候选框级别)和文本句子级别(图像级别)分别引入注意力机制,使得图文匹配过程提取的关键信息更加准确。2)提出两种抑制冗余匹配的提升机制,包括候选框门控(Proposal Gate)以及中心注意力(Central Attention)。交互型方法利用图文细粒度特征进行逐一匹配减少了语义信息损失的可能,但也容易形成冗余匹配。候选框门控利用可训练的门控阈值抑制一些与文本无关的冗余图像实体候选框。中心注意力则是预测图像实体候选框最佳的文本匹配位置,然后以该位置为中心抑制周边的冗余词汇。3)最后,通过一系列实验,验证所提出模型在Flickr30K、MSCOCO数据集上均取得更好的图文检索结果。