跨模态检索是信息检索领域重要的基础技术,通过建模不同模态数据间的关联关系,实现从一种模态数据输入查询,输出多模态语义相关检索结果的功能。相比于单一模态检索范式,跨模态检索能够为查询者返回更加多样化的检索结果,丰富用户感知。本文研究连续值跨模态检索方法,针对映射特征的语义判别性、不同模态间数据的语义关联性,以及模型的可扩展性3个关键问题,提出一种融合相关对齐和注意力原型学习的跨模态检索模型（Attention-aware Prototype Learning joint Correlation Alignment for Cross-modal Retrieval,APLCA）,用来学习类内紧凑且类间离散的语义一致性特征,提高检索的准确性。本文具体的创新工作和主要内容如下:（1）针对映射特征语义判别性不足的问题,提出基于注意力机制的原型学习方法,用于学习强判别性的语义特征。为了缓解噪声实例的影响,采用实例级的注意力机制来初始化原型表示,并通过原型网络学习到度量空间,以提取类内紧凑且类间离散的特征,增强映射特征向量的语义判别性。（2）为有效建模不同模态间的语义关联性,本文设计了深度语义相关性对齐方法,并无缝嵌入到神经网络全连接层中,通过最小化异构数据特征图间二阶统计量的差异,对齐不同模态数据的特征分布,并减小相同语义不同模态数据间的距离,从而引导网络生成模态不变的语义一致性特征。（3）针对检索模型在实际场景中可扩展性差的问题,本文采用实例级注意力原型学习方法,从少量新类样本中初始化该类别原型表示,以学习新类别数据的语义判别性特征,使得模型不仅在原始数据集上可取得良好的检索性能,在新类别数据上也能较好工作,从而验证了模型良好的可扩展性。（4）APLCA在Wikipedia、Pascal Sentence和NUS-WIDE-10k三个广泛使用的多模态数据集上进行了多角度检索实验,其结果验证了APLCA的有效性和易扩展性。此外,本文还将APLCA与多个优秀的跨模态检索方法进行比较,并在不同检索任务上对模型的性能进行评估,实验结果表明APLCA取得了最优的评价指标得分。